皮层表面空间贝叶斯GLM在个体与群组上产生可靠的任务激活
统计方法学
2021-10-28 v3
摘要
广义线性模型(GLM)是广为流行且便捷的工具，用于估计功能性脑响应并识别任务或刺激期间显著激活的区域。然而，经典GLM基于海量单变量方法，未显式利用相邻脑区激活模式的相似性。因此，它往往产生噪声估计且在检测显著激活时效力不足，尤其在个体受试者与小型群组中。近期一种替代方案——基于皮层表面的空间贝叶斯GLM，利用相邻皮层顶点间的空间依赖关系，产生更精确的估计与功能激活区域。该空间贝叶斯GLM可应用于个体与群组水平分析。本研究中，我们评估通过基于表面的空间贝叶斯GLM所产生的任务激活的个体与组平均测量的可靠性与效力。我们分析了来自人类连接组计划(HCP)及HCP重测数据集的45名受试者的运动任务数据。我们还将模型扩展至多轮次分析，并采用受试者特异性皮层表面而非膨胀至球面的表面，以进行更精确的基于距离的建模。结果显示，基于表面的空间贝叶斯GLM在个体受试者中产生高度可靠的激活，且效力足以检测特质样功能拓扑。此外，空间贝叶斯建模增强了群组水平分析的可靠性，即便在中等规模样本(n=45)中亦然。空间贝叶斯GLM检测高于科学有意义效应量的激活的效力几乎不随样本量变化，即便在小样本(n=10)中也表现出高效力。该空间贝叶斯GLM在个体与群组中计算高效，且借助开源BayesfMRI R包便于实现。
引用
@article{arxiv.2106.06669,
title = {Spatial Bayesian GLM on the cortical surface produces reliable task activations in individuals and groups},
author = {Daniel Spencer and Yu and Yue and David Bolin and Sarah Ryan and Amanda F. Mejia},
journal= {arXiv preprint arXiv:2106.06669},
year = {2021}
}
备注
44 pages, 24 figures