基于静息态功能连接组的多站点可识别性揭示

多站点研究正变得日益重要，以提高统计效力、增强可推广性，并改善将相关亚组汇集在一起的可能性。即便采用协调一致的成像序列，站点相关的变异性也会掩盖这些多站点研究的优势。本研究的目的是评估静息态功能连接指纹的多站点可重复性，并改善功能连接组的可识别性。功能连接谱的个体化指纹因其作为稳健神经影像生物标志物的潜力而前景广阔。我们在两个独立的多站点数据集上评估了测试-重测访视对在一个站点内及跨两个站点的个体指纹，并提出了一种基于主成分分析的通用框架以改善可识别性。那些使训练数据集差异可识别性最大化的成分被用作正交连接基来重建训练集与验证集的功能连接组。最优重建的功能连接组相对于原始数据，在站点内及跨两个站点的个体指纹方面均显示出实质性改善。功能边与静息态网络的 ICC 值也观察到显著上升。可识别性的改善未被发现受全局信号回归影响。事后分析评估了 fMRI 体积数对可识别性的影响，表明在所有情形下多站点差异可识别性在最优重建后均达到最大。各数据集最优正交基集合的泛化能力通过留一法进行了评估。总体而言，结果表明本研究提出的框架系统性地改善了多站点研究中静息态功能连接组的可识别性。