基于网络的向量对矩阵回归评估高通量结构神经影像预测因子对全脑功能连接组结果的影响
统计方法学
2025-03-25 v1 神经元与认知
定量方法
统计计算
摘要
多模态神经影像数据的联合分析在脑研究领域至关重要，因为它揭示了神经生物学结构与功能之间复杂的交互关系。本研究聚焦于探究结构影像（SI）特征（包括白质微结构完整性（WMMI）和皮层厚度）对全脑功能连接组（FC）网络的影响。为实现此目标，我们提出一种基于网络的向量对矩阵回归模型来刻画 FC-SI 关联模式。我们开发了一种新颖的多层稠密二部与团子图提取方法，以识别哪些空间特异性 SI 特征子集强烈影响有组织的 FC 子网络。所提方法能在处理数百万潜在交互的同时，识别高度相关的结构-连接组关联模式并抑制假阳性发现。我们将该方法应用于来自 UK Biobank 的 4242 名参与者的多模态神经影像数据集，以评估全脑 WMMI 和皮层厚度对静息态 FC 的影响。结果显示，皮质脊髓束和小脑下脚上的 WMMI 显著影响感觉运动、突显和执行子网络的功能连接，平均相关系数为 0.81（p<0.001）。
引用
@article{arxiv.2310.18533,
title = {Evaluating the effects of high-throughput structural neuroimaging predictors on whole-brain functional connectome outcomes via network-based vector-on-matrix regression},
author = {Tong Lu and Yuan Zhang and Vince Lyzinski and Chuan Bi and Peter Kochunov and Elliot Hong and Shuo Chen},
journal= {arXiv preprint arXiv:2310.18533},
year = {2025}
}
备注
20 pages, 5 figures, 2 tables