功能连接分析的高斯图模型：统计综述及其在阿尔茨海默病中的应用
统计方法学
2026-04-14 v1 统计计算
摘要
功能连接分析是表征大脑区域相互作用的重要工具，尤其在阿尔茨海默病等神经退行性疾病研究中发挥关键作用。高斯图模型（GGM）为估计功能连接提供了有前景的统计框架，通过捕捉大脑区域之间的条件依赖关系。尽管已提出多种正则化精确矩阵估计方法用于估计GGM的稀疏条件依赖结构，但其比较性能和对神经影像研究的实际意义尚不为人所了解。本文对广泛使用的GGM估计方法进行全面统计综述与实证评估，包括图形Lasso（glasso）、岭化Lasso、图形弹性网、自适应Lasso、平滑截断绝分量（SCAD）、最小逼近惩罚（MCP）、受限ℓ1最小化逆矩阵估计（CLIME），以及调谐不敏感图估计与回归（TIGER）。通过大量数据驱动的模拟研究（旨在反映真实神经影像场景）以及对阿尔茨海默病队列研究的应用，评估了这些方法的性能，并说明了方法差异对下游网络分析的影响。此外，提供了一个用户友好的R软件包spice，以促进实施并提高实证研究的可重复性。
引用
@article{arxiv.2604.10249,
title = {Gaussian Graphical Models for Functional Connectivity Analysis: A Statistical Review with Applications to Alzheimer's Disease},
author = {Panpan Zhang and Shiying Xiao and W. Hudson Robb and Dandan Liu and Angela L. Jefferson and Jun Yan},
journal= {arXiv preprint arXiv:2604.10249},
year = {2026}
}