阿尔茨海默病进展过程中多重结构连接网络的贝叶斯建模

阿尔茨海默病是最常见的神经退行性疾病。本研究的目的是利用来自健康对照、轻度认知障碍或阿尔茨海默病患者队列的皮层厚度测量数据，推断由疾病进展引起的脑连接结构变化。为此，我们开发了一种新颖的方法，用于推断跨组具有相关边值的多重网络。具体而言，我们在联合框架内为每组推断一个高斯图模型，并依靠贝叶斯层次先验将各组的精度矩阵元素联系起来。我们的方案与现有方法的不同之处在于，它灵活地学习哪些组具有最相似的边值，并在跨组共享信息时考虑连接的强度（而不仅仅是边的存在或缺失）。我们的结果识别了结构连接中的关键改变，这些改变可能反映了健康大脑受到的破坏，例如随着疾病严重程度的增加，枕叶内的连接性下降。我们还通过模拟说明了所提出的方法，在其中我们展示了其在结构学习和精度矩阵估计方面相对于替代方法的性能。