用于比较脑网络的差异度检验

近年来，图论已成为刻画脑功能组织的流行方法。脑网络图论分析的一个重要目标是识别跨疾病类型或条件的网络差异。典型方法包括对每条边进行海量单变量检验，或比较局部与/或全局网络度量以识别拓扑组织中的偏离。这些方法的若干局限包括：由于大量比较导致统计功效低，以及难以将网络的整体差异归因于脑功能的局部变化。我们提出一种新颖的差异度检验(differential degree test, DDT)，以识别在两个总体中关联大量差异加权边的脑区。所提检验可通过展示显著改变的神经连接，帮助检测疾病涉及的关键脑位置。我们通过生成一组合适的零网络来实现此目的，这些零网络在观测差异网络的一阶与二阶矩上与后者匹配，使用了 Hirschberger-Qi-Steuer (HQS) 算法。该表述允许将网络的真实拓扑与由相关度量诱发且可能以与脑功能无关的方式驱动区间连接的干扰拓扑分离。模拟表明，所提方法在检测差异连接感兴趣区方面一贯优于竞争方法。此外，我们提出一种数据自适应的阈值选择过程，能够检测差异加权边，并被证明优于控制错误率的边-wise 比较竞争方法。我们的方法在重度抑郁障碍数据集上的应用，导致了默认模式网络中常与该反刍性障碍相关的脑区的识别。