利用群体信息通过带相关矩阵新型信息先验的贝叶斯ICA进行脑连接性分析

脑功能连接性（FC）指脑网络间的时间同步性，对于理解脑功能组织以及识别由神经系统疾病、发育、治疗及其他现象引起的变化至关重要。独立成分分析（ICA）是一种广泛用于同时估计脑功能地形与连接性的矩阵分解方法。然而，由于ICA前采用临时估计方法或时间降维，通过ICA估计FC往往次优。贝叶斯ICA可避免降维，更准确地估计潜变量与模型参数，并便于后验推断。本文提出一种新颖且计算可行的贝叶斯ICA方法，对空间独立成分及其时间相关性（即FC）均采用群体衍生的先验。对于后者，我们考虑两种先验：逆 Wishart 先验（其为共轭先验但不太适合对相关矩阵建模）以及一种针对相关矩阵的新型信息先验。对于每种先验，我们推导了变分贝叶斯算法以估计模型变量并便于后验推断。通过大量仿真研究，我们评估了所提方法的性能并与现有方法进行了基准比较。我们还分析了来自人类连接组计划（Human Connectome Project）的400余名健康成年人的fMRI数据。我们发现，我们的贝叶斯ICA模型与算法能更准确地度量功能连接性与空间脑特征。我们提出的针对相关矩阵的新型先验比逆 Wishart 计算量更大，但提供了更高的准确性与推断能力。该框架适用于单被试分析，具有潜在的临床可行性。