面向多模态脑成像年龄研究的网络数据与空间相关节点属性的可预测性整合学习
应用统计
2026-03-24 v1 统计方法学
摘要
本文提出一种面向网络数据（来自多个受试者、覆盖同一节点集且节点具有空间坐标和空间相关节点属性）的预测依赖性联合建模框架。该框架高度灵活，能够同时推断与预测器显著相关的节点、节点属性的空间关联以及预测器与节点间边或特定节点属性之间的回归关系。实证结果表明，所提方法因同时考虑网络结构和空间相关性而表现优越。该方法分析来自合著者生命认知与运动神经影像实验室首次收集的多模态脑成像数据，聚焦于整合结构和功能信息。它 examines 脑连接，作为从功能磁共振成像 (fMRI) 中推导的感兴趣区域 (ROI) 的连接网络，同时也纳入来自结构 MRI 数据的 ROI-specific 属性，用于每个受试者。subject-specific aging-related features 和 ROI 的空间位置被纳入分析。该框架有助于对预测器与脑连接模式之间的关联、ROI-specific 属性之间的空间关系以及涉及边或 ROI-specific 属性的回归关系进行稳健推断。通过整合这些多样化的数据源，该方法提供了对脑结构、功能、年龄相关变化以及外部预测器之间复杂相互作用的更深入理解。作为一种基于模型的贝叶斯方法，它为所有推断提供不确定性量化，特别是在样本量有限的情况下提供稳健可靠的结果。
引用
@article{arxiv.2603.21032,
title = {Integrative Predictor-Dependent Learning of Network Data and Spatially Correlated Nodal Attributes for Multimodal Brain Imaging in Aging},
author = {Jose Rodriguez-Acosta and Sharmistha Guha and Jessica Bernard and Thamires Magalhaes and Kaitlin McOwen},
journal= {arXiv preprint arXiv:2603.21032},
year = {2026}
}
备注
38 pages