贝叶斯值建模用于整合大脑节点和网络预测器

科学领域:

• 神经科学是一个神经科学.
• 生物统计学 生物统计学
• 医疗成像医学成像

背景情况:

• 神经科学研究越来越多地整合了多样化的脑成像数据 (结构,功能,新陈代谢).
• 目前的方法通常会在局部节点级或网络级的指标上单独分析成像特征.
• 在整合这些层次结构以全面了解神经生物学机制方面存在差距.

研究的目的:

• 为整合多层次脑成像数据 (节点和网络指标) 提出一个新的贝叶斯回归模型.
• 开发一种方法来描述不同神经成像组件之间的相互作用.
• 识别和量化神经标志物及其对表型结果的预测机制.

主要方法:

• 开发了一个贝叶斯回归模型,容纳了矢量变量和矩阵变量预测器.
• 引入了一个联合值,用于捕捉信号模式的合,分组和空间连接.
• 利用后置推理来识别神经标志物并评估预测不确定性.

主要成果:

• 建议的贝叶斯模型在样本外预测和通过模拟选择特征方面显著超过了替代方法.
• 该模型成功地识别和量化了节点和网络级神经标志物.
• 该模型应用于儿童的一般心理能力,通过使用任务对比特征和静止状态子网络建立了一个预测机制.

结论:

• 新的贝叶斯回归模型有效地整合了多层次的大脑成像数据,以增强神经生物学洞察力.
• 这种方法为识别预测性神经标志物和理解它们的机制提供了一个强大的工具.
• 这些发现对研究认知能力和其他表型结果有影响.