潜相似度识别用于表型预测的重要功能连接
定量方法
2022-12-29 v3 神经元与认知
摘要
目的：脑年龄与流体智力等内表型是重要的疾病状态生物标志物。然而，用于识别这些生物标志物的脑成像研究常面临受试者数量有限与成像特征高维的问题，阻碍了可重复性。因此，我们开发了一种可解释的多变量分类/回归算法，称为潜相似度（Latent Similarity, LatSim），适用于小样本量、高特征维数的数据集。方法：LatSim 将度量学习与核相似度函数及 softmax 聚合相结合，以识别受试者之间的任务相关相似度。利用受试者间相似度，基于多范式 fMRI 数据在三项预测任务上提升性能。借助 LatSim 的计算效率，我们开发了贪心选择算法作为可解释性方法。结果：在小样本量下，LatSim 在费城神经发育队列（PNC）数据集上取得了显著更高的预测准确率。LatSim 识别出的连接相较于其他方法识别的连接具有更优的判别力。我们识别出 4 个在预测脑年龄、性别与智力中连接富集的功能性脑网络。结论：我们发现预测任务的大部分信息仅来自少数（1-5）连接。此外，我们发现默认模式网络在所有预测任务的前列连接中均过度表征。意义：我们提出了一种针对小样本、高特征维数数据集的新算法，并用其识别任务态 fMRI 数据中的连接。我们的工作应为算法设计与神经科学研究带来新见解。代码与演示见 https://github.com/aorliche/LatentSimilarity/。
引用
@article{arxiv.2208.14484,
title = {Latent Similarity Identifies Important Functional Connections for Phenotype Prediction},
author = {Anton Orlichenko and Gang Qu and Gemeng Zhang and Binish Patel and Tony W. Wilson and Julia M. Stephen and Vince D. Calhoun and Yu-Ping Wang},
journal= {arXiv preprint arXiv:2208.14484},
year = {2022}
}
备注
12 pages