基于 fMRI 与 DTI 数据的脑有效连接组：贝叶斯因果学习与评估
机器学习
2024-03-12 v3 计算工程、金融与科学
摘要
神经科学研究旨在寻找准确且可靠的脑有效连接组（Effective Connectome, EC）。尽管当前的 EC 发现方法增进了对脑组织的理解，但其性能严重受限于 fMRI 数据样本量小、时间分辨率低以及脑连接组高维度的问题。通过利用 DTI 数据作为先验知识，我们提出了两种贝叶斯因果发现框架——贝叶斯 GOLEM（BGOLEM）与贝叶斯 FGES（BFGES）方法——它们能提供更准确可靠的 EC，并克服了现有仅基于 fMRI 数据发现 EC 的因果发现方法的不足。通过在合成数据与混合数据（人类连接组计划（HCP）受试者的 DTI 与合成 fMRI）上进行一系列仿真研究，我们证明了所提方法在发现 EC 上的有效性。为了在实证数据上数值评估我们方法对 EC 准确性的提升，我们首先引入伪错误发现率（Pseudo False Discovery Rate, PFDR）作为脑因果发现的一种新计算准确性度量。我们表明，在 HCP 数据上我们的贝叶斯方法比传统方法具有更高的准确性。此外，我们使用 Rogers-Tanimoto 指数对重测数据评估所发现 EC 的可靠性，并表明我们的贝叶斯方法比传统方法提供的 EC 可重复性显著更高。总体而言，我们研究的数值与图形结果凸显了这些框架在显著推进我们对脑功能与组织理解方面的潜力。
引用
@article{arxiv.2302.05451,
title = {Brain Effective Connectome based on fMRI and DTI Data: Bayesian Causal Learning and Assessment},
author = {Abdolmahdi Bagheri and Mahdi Dehshiri and Yamin Bagheri and Alireza Akhondi-Asl and Babak Nadjar Araabi},
journal= {arXiv preprint arXiv:2302.05451},
year = {2024}
}