以组信息为指导的独立组件分析和独立矢量分析进行比较分析,以评估自闭症谱系障碍中大脑功能网络特征
Junlin Jing1, Benjamin Klugah-Brown1, Shiyu Xia1
1The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Laboratory for Neuroinformation, School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu, China.
Frontiers in neuroscience
|November 6, 2023
概括
群组信息导向独立组件分析 (GIG-ICA) 和独立矢量分析 (IVA-GL) 在神经成像中显示出强大的对应性,IVA-GL为具有高个体间变异性的疾病提供了更高的灵敏度.
科学领域:
- 神经成像分析分析神经成像分析
- 计算神经科学是一种计算神经科学.
- 生物医学数据科学是生物医学数据科学.
背景情况:
- 在神经成像中,以组信息为指导的独立组件分析 (GIG-ICA) 和独立矢量分析 (IVA) 增强了对象特定组件的估计.
- 这些方法在减少主体间变异性 (ISV) 方面优于传统的组独立组件分析 (GICA).
研究的目的:
- 为了比较GIG-ICA和IVA-GL的社区结构,空间差异和预测性能.
- 用自闭症脑成像数据交换 (ABIDE) 数据库的数据来评估GIG-ICA和IVA-GL之间的对应和差异.
主要方法:
- 使用ABIDE数据集 (75名健康对照组,102名自闭症参与者) 进行GIG-ICA和IVA-GL的比较.
- 使用一个贪的规则来匹配IVA-GL和GIG-ICA之间的组件.
- 分析了社区结构,空间差异和预测性能,包括功能网络连接 (FNC) 和自闭症诊断观察时间表 (ADOS) 成绩.
主要成果:
- 在多个大脑网络 (例如小脑,默认模式,传感器) 中观察到GIG-ICA和IVA-GL之间的强大对应.
- 在健康对照组和ASD参与者之间,在识别的模块和FNC中发现了显著的差异,GIG-ICA显示了更明显的模式.
- IVA-GL确定了ASD FNC和ADOS社会分数之间的负相关性,这两种方法在特定网络中显示了类似的年龄预测性能.
结论:
- 对于具有更大的跨主体可变性的网络,IVA-GL表现出较低的模块化和更高的灵敏度.
- GIG-ICA识别了具有明显模块化模式的功能网络.
- IVA-GL适用于研究具有高可变性的疾病,而GIG-ICA在揭示功能网络中明显的模块化模式方面表现出色.
