使用黎曼偏最小二乘捕捉功能连接组学
统计方法学
2023-07-03 v1 机器学习
摘要
对于神经系统疾病与障碍，人脑的功能与解剖连接组可用于更好地指导针对性干预与治疗策略。功能磁共振成像(fMRI)是一种非侵入性神经成像技术，通过随时间变化的血流捕捉时空脑功能。fMRI可用于通过功能连接矩阵研究功能连接组；即fMRI图像感兴趣区时间序列之间的Pearson相关矩阵。分析功能连接的一种方法是使用偏最小二乘(PLS)，一种为高维预测变量数据设计的多元回归技术。然而，用PLS分析功能连接忽略了功能连接矩阵的一个关键性质；即这些矩阵是正定的。为此，我们引入PLS到黎曼流形的推广，称为R-PLS，并将其应用于具有仿射不变几何的对称正定矩阵。我们将R-PLS应用于两个功能成像数据集：COBRE，研究精神分裂症患者与健康对照之间的功能差异；以及ABIDE，比较自闭症谱系障碍患者与神经典型对照。利用R-PLS结果中投影统计的变量重要性，我们识别了每个数据集中文献中有充分表征的关键功能连接。鉴于R-PLS的通用性，该方法有潜力为联系结构与功能连接组学的多模型成像分析开辟新途径。
引用
@article{arxiv.2306.17371,
title = {Capturing functional connectomics using Riemannian partial least squares},
author = {Matt Ryan and Gary Glonek and Jono Tuke and Melissa Humphries},
journal= {arXiv preprint arXiv:2306.17371},
year = {2023}
}
备注
15 pages, pre-submission article