从fMRI数据共同估计个人和团体网络
Don van den Bergh1, Linda Douw2, Zarah van der Pal3
1Department of Psychological Methods, University of Amsterdam.
Network neuroscience (Cambridge, Mass.)
|October 24, 2025
概括
这项研究引入了一种多层次的方法来分析功能磁共振成像 (fMRI) 网络,通过考虑群体内的个体差异来改善对大脑连接的理解. 该方法提高了fMRI发现的概括性.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物统计学 生物统计学
背景情况:
- 功能性磁共振成像 (fMRI) 研究经常使用图形模型来绘制大脑区域关系.
- 传统的fMRI分析经常忽视数据的嵌套结构 (参与者内部,人口内部的观察),可能导致不准确或矛盾的结果.
- 忽视参与者内部和参与者之间的差异会损害fMRI发现的概括性.
研究的目的:
- 提出和评估一种新的多层次方法来建模fMRI网络,以考虑嵌套的数据结构.
- 为了解决fMRI连接性研究中个体或聚合分析的局限性.
- 研究休息状态大脑网络中的共同点和个体差异.
主要方法:
- 在个人层面使用高斯图形模型和在团体层面使用库里-韦斯图形模型开发了一个多层次建模框架.
- 进行模拟,以比较拟议方法的性能与边缘检索的单个和聚合分析技术.
- 在724名健康参与者的休息状态fMRI数据上应用了多层次方法.
主要成果:
- 模拟表明,多层次方法在准确识别连接 (边缘检索) 方面优于传统方法.
- 组级分析成功恢复了已知的七个静止状态网络.
- 在个体级大脑网络中观察到显著的异质性,突出显示了参与者之间的实质差异.
结论:
- 多层次的方法对于准确的fMRI网络分析至关重要,有效地捕获了群体层面的模式和个体变化.
- 拟议的方法通过尊重数据层次来提高fMRI发现的可靠性和通用性.
- 未来的研究应该探索这种多层次建模技术的额外挑战和扩展,用于复杂的大脑网络分析.
