基于推断的统计图网络分析揭示儿童内化精神病理的星状脑功能架构
统计方法学
2023-09-21 v1
摘要
为提高影像生物标志物检测的统计功效，我们提出一种基于潜变量的统计图网络分析（LatentSNA），将脑功能连接与内化精神病理相结合，在生成式统计过程中实施网络科学，以在青少年与儿童群体中保留具有神经意义的网络拓扑。所开发的以推断为核心的生成式贝叶斯框架（1）解决了当前分析方法在检测影像生物标志物时功效不足与二类错误膨胀的问题，（2）允许对生物标志物行为变异影响进行无偏估计，（3）量化不确定性并评估估计生物标志物效应相对于偶然性的似然，以及（4）最终提升在新样本中的脑-行为预测及神经影像发现的临床效用。我们在 Adolescent Brain Cognitive Development（ABCD）研究中 collectively 建模了 5,000 至 7,000 名儿童的多状态功能网络与多变量内化特征，对儿童内化特质与功能连接均实现了足够准确的预测，并且相较当前方法大幅提升了解释个体内化差异的能力。我们成功揭示了跨多个功能系统、与儿童内化精神病理相关的庞大且连贯的星状脑功能架构，并将其确立为儿童内化的独特指纹。
引用
@article{arxiv.2309.11349,
title = {Inference-based statistical network analysis uncovers star-like brain functional architectures for internalizing psychopathology in children},
author = {Selena Wang and Yunhe Liu and Wanwan Xu and Xinyuan Tian and Yize Zhao},
journal= {arXiv preprint arXiv:2309.11349},
year = {2023}
}