摘要

功能連接研究越來越多地轉向機器學習方法，這些方法通常涉及擬合全連接組網(wǎng)絡的分類器，然后進行事后解釋分析，以確定最能預測因變量的神經(jīng)相關因素。然而，這種傳統(tǒng)的分析范式存在兩個主要限制。首先，即使分類器完全準確，解釋分析也可能無法識別因變量表示的所有模式。其次，即使分類器具有泛化性，通過解釋分析得出的模式也可能無法復制。換句話說，這種傳統(tǒng)方法可以生成有效的分類器，但難以實現(xiàn)大多數(shù)神經(jīng)科學家的目標：精確定位因變量的神經(jīng)相關性。本研究提出了一種新的多變量分析框架ConnSearch，它涉及將連接組劃分為組件(例如，高度連接區(qū)域組)，并為每個組件擬合一個獨立的模型(例如，支持向量機或基于相關性的模型)。關于因變量和大腦之間聯(lián)系的結論是基于哪些組件產(chǎn)生了預測模型，而不是基于解釋分析。本研究使用來自人類連接組項目(N=50-250)的工作記憶數(shù)據(jù)，將ConnSearch與四種現(xiàn)有的全連接組分類/解釋方法進行比較。對于每種方法，模型都試圖將示例分類為來自高負荷或低負荷條件。相對于傳統(tǒng)方法，ConnSearch識別的神經(jīng)相關性更全面，與工作記憶(WM)文獻具有更大的一致性，并且跨數(shù)據(jù)集的復制效果更好。因此，ConnSearch是進行功能連接研究的一種有效工具。

前言

在功能連接研究中，使用機器學習進行多變量分析已變得越來越常見。傳統(tǒng)的機器學習分析范式涉及以下步驟：(a)擬合一個全連接組分類器來預測因變量，然后(b)應用事后解釋工具以識別最能預測因變量的特征。傳統(tǒng)范式被廣泛使用，可以生成準確的模型。然而，目前的研究提出了這樣一個問題，即將機器學習應用于大腦研究是否是最有效的方法，特別是對于任務態(tài)功能磁共振成像(task-fMRI)研究來說。毋庸置疑，分類器通常具有很高的預測能力，并且解釋分析通常能夠成功地解釋驅動預測的因素。但本研究重點考察傳統(tǒng)范式是否適用于大多數(shù)神經(jīng)科學研究更基本目標，即識別對任務操縱敏感的網(wǎng)絡、連接和區(qū)域。因而提出了關于傳統(tǒng)范式的新問題，并提供了一種在認知神經(jīng)科學研究中具有廣泛用途的新工具。

本研究認為傳統(tǒng)范式面臨著兩個關鍵限制，限制了其在大多數(shù)神經(jīng)科學研究中的有效性。首先，通過傳統(tǒng)范式生成的解釋可能并不全面，因為解釋分析可能只找到由因變量表達的神經(jīng)相關性的一個子集。其次，解釋可能并不穩(wěn)定，因為通過解釋分析識別的神經(jīng)關聯(lián)可能無法在不同研究中復制。基于此，本研究提出了一個用于功能連接數(shù)據(jù)多變量分析的新框架。該框架旨在用于任務態(tài)功能磁共振成像研究中，目標是確定操作對大腦的影響。換言之，本研究的目的是測試一種用于fMRI數(shù)據(jù)分析的新框架(ConnSearch，Connectome Searchlight)的有效性。

類似于探照燈多變量模式分析(MVPA)如何在每個體素周圍定義一個球體，ConnSearch在每個ROI周圍定義一個網(wǎng)絡組件。一種方法是將每個ROI視為“核心/種子”，并將其與其連接最緊密的ROIs進行分組。這會產(chǎn)生大量跨越連接組的重疊組件(圖1A)。然后，ConnSearch獨立地對每個組件的數(shù)據(jù)進行建模，以識別對因變量有顯著預測作用的組件。組件分析可以通過多種方式進行，就像探照燈MVPA可用于組水平和特定于個體的分析一樣。對于每個組件，可以使用一組參與者的數(shù)據(jù)訓練分類器，然后使用其他參與者的數(shù)據(jù)測試分類器的準確性(組水平分析；圖1B)。或者，對于每個組件，在獨立建模每個參與者的數(shù)據(jù)時評估其擬合度，其中模型使用參與者在一個會話中的數(shù)據(jù)來預測另一個會話中的數(shù)據(jù)(特定于個體分析；圖1C)。在這兩種情況下，通過檢查哪些組件產(chǎn)生了統(tǒng)計顯著性模型，可以得出連接組的哪些部分對因變量敏感。

為了評估ConnSearch在神經(jīng)成像研究中的適用性并將其與現(xiàn)有的技術進行比較，本研究分析了來自人類連接組項目(HCP)的工作記憶(WM)任務態(tài)fMRI數(shù)據(jù)。之所以選擇這項任務，是因為WM依賴于涉及多個腦網(wǎng)絡的分布式過程，而且WM是認知研究最多的方面之一，因此有大量的文獻可以與ConnSearch結果進行比較。HCP WM任務具有block設計，是N-back范式的變體：參與者完成了兩個階段的任務，每個階段包括八個N-back block（每個27.5s）。2-back(高負荷)4個，0-back(低負荷)4個。為了將此數(shù)據(jù)集構建為一個二元分類問題，每個參與者的數(shù)據(jù)被組織成示例，這樣每個參與者產(chǎn)生兩個2-back示例和兩個0-back示例。任務條件被用作監(jiān)督學習模型的二分類標簽。為了評估ConnSearch作為通用框架的效用，本研究執(zhí)行了一系列分析，測試了它用于組水平和特定于個體的建模。本研究重點關注其結果的全面性和穩(wěn)健性。

方法

數(shù)據(jù)和預處理

對來自S1200 HCP數(shù)據(jù)集的WM任務數(shù)據(jù)(57%為女性；M=28.7歲[22-37]；11%為左利手)進行了分析。分析使用了該數(shù)據(jù)集的三個組織方式：(1)50名參與者的樣本，以評估ConnSearch在數(shù)據(jù)有限情況下的可行性；(2)250名參與者的樣本，要么進行整體分析，要么分成五個50名受試者組，以研究可重復性；(3)對45名參與者進行重測，用于可靠性分析。最終樣本構成了完整的HCP重測數(shù)據(jù)集，該數(shù)據(jù)集由完成兩次完整WM協(xié)議(總共四個session)的所有參與者組成。在每個數(shù)據(jù)集上，N-back性能總體較高：對于2-back條件，平均準確率為84.4%(SD=9.4%)，對于0-back條件，平均準確率為89.9%(SD=10.8%)。在用于可重復性分析的五個50名受試者組中，兩兩組之間在2-back或0-back準確性方面沒有顯著差異(ps≥0.12)；使用Wilcoxon秩和檢驗，因為數(shù)據(jù)呈左偏態(tài)分布。

進一步預處理

在分析之前，使用連通性工具箱(CONN)對fMRI數(shù)據(jù)進行進一步預處理。使用線性回歸進行去噪，并通過包含以下時間協(xié)變量來去除生理和其他噪聲源：首先，使用在CONN中實施的解剖學CompCor方法，基于分割期間得出的白質和腦脊液掩膜創(chuàng)建每個參與者的噪聲ROI。對于每個ROI，將表示其信號的五個主成分作為時間協(xié)變量添加到去噪回歸模型中。其次，添加了12個運動參數(shù)(3個旋轉、3個平移和一階時間導數(shù))。第三，還添加了有限脈沖響應(FIR)協(xié)變量，以確保分析目標是功能連接而不是共激活?？偣蔡砑恿?12個FIR協(xié)變量，覆蓋了每個block的長度(38個體積)加上額外的18個體積，以解釋HRF的可能持續(xù)時間。每個條件都使用單獨的協(xié)變量，因此112=(38+18)×2。最后，對于每個參與者，包括可變數(shù)量的回歸量，以解釋“異常值體積”。使用偽影檢測工具(Artifact Detection Tools ，www.nitrc.org/projects/_artifact_detect/)進行識別，即掃描在復合運動(平移和旋轉位移的組合)中超過0.5mm和/或顯示激活高于或低于全局平均信號3個標準差的體積被視為異常。對于每個異常值體積，添加一個“scrubbing”協(xié)變量，其中異常值體積對應的協(xié)變量值為1，其他體積對應的協(xié)變量值為0?；貧w之后執(zhí)行高通濾波(＞0.01Hz)以去除低頻干擾，同時保留與任務相關的變化。

預處理后，使用從ROI中提取的時間序列之間的HRF加權Pearson相關性計算ROI-to-ROI的連接強度。為了確保無論使用何種圖譜，ConnSearch都是有效的，使用Power等人(2011)的264-ROI圖譜和Schaefer等人(2018)的1000-ROI圖譜的變體計算連接矩陣。Power等人(2011)圖譜將整個大腦劃分為264個區(qū)域，這些區(qū)域是根據(jù)靜息態(tài)和任務態(tài)數(shù)據(jù)建立的。Power等人(2011)圖譜用于分析50名參與者的數(shù)據(jù)集和45名參與者的重測數(shù)據(jù)集。Schaefer等人(2018)圖譜指定了1000個ROIs，并基于靜息態(tài)數(shù)據(jù)開發(fā)。該圖譜用于250名參與者數(shù)據(jù)集的分析，其中ROI密度的增加以及更大的樣本量允許對組件數(shù)據(jù)進行細粒度建模并精確定位任務的效果。

ConnSearch方法

示例根據(jù)其所屬的任務條件被標記為2-back或0-back。任務條件被用作模型試圖預測的二元標簽(Y)。每個參與者完成兩個條件兩次，因此每個標簽生成兩個示例。每個示例都與一個功能連接組矩陣(XM×M)相關聯(lián)，其中M為264或1000，具體取決于測試的圖譜。ConnSearch基于M個ROI定義了M個重疊的網(wǎng)絡組件。每個網(wǎng)絡組件(Cm)是N個ROI的集合，定義為ROI m和與ROI m連接最強的N-1個ROI。每個網(wǎng)絡組件被用來從每個示例的連接組矩陣中提取一個N×N矩陣(XCmCm)。

每個組件的數(shù)據(jù)都被提交給獨立的模型，即每個組件擬合一個模型，如組件0對應一個模型，組件1對應另一個模型，依此類推。建模屬于兩個不同的模式之一，包括組水平建模和特定于個體的建模。(1)對于組水平建模，對M個支持向量機(SVM)進行訓練/測試。每個SVM基于給定組件(XCmCm)的數(shù)據(jù)預測標簽(Y)。組水平的ConnSearch旨在識別哪些組件產(chǎn)生了顯著的分類器。對于每個分類器，基于置換檢驗定義統(tǒng)計顯著性所需的準確度閾值。(2)對于特定于個體的建模，采用關聯(lián)相似性來檢驗個體特異性效應。對于給定的參與者，關聯(lián)相似性取決于該參與者相同標簽的兩個示例之間的相關性減去相反標簽示例之間的相關性。分別對每個組件應用此分析，為每個參與者生成每個組件的M個關聯(lián)相似性測量值。特定于個體的ConnSearch旨在識別在大多數(shù)參與者中顯示正向關聯(lián)相似性的組件。對于每個組件，通過提交每個參與者的值進行單樣本t檢驗來評估關聯(lián)相似性的顯著性。

在提取連接組矩陣之后，將ROI組織成部分重疊的集合，這里稱之為“網(wǎng)絡組件”。為圖譜的每個ROI定義一個網(wǎng)絡組件。每個ROI的網(wǎng)絡組件包括ROI本身(“核心ROI”)和N-1個與其最強連接的其他ROIs(圖2)。連接強度被評估為兩種條件和所有參與者的平均連接矩陣?；趶娺B接的組件定義來自網(wǎng)絡研究，該研究根據(jù)節(jié)點之間的強連接定義節(jié)點社區(qū)。盡管該策略將排除對弱連接的分析，從而可能會忽略一些神經(jīng)相關性，但通過調(diào)整組件的定義方式，仍然可以納入這些連接。

結果

有限樣本量組水平ConnSearch本研究的目標是開發(fā)一種對任務效應敏感且能夠提供全面視角的工具。即使在有限的樣本量(N=50)下，組水平ConnSearch也能夠識別出十個顯著的網(wǎng)絡組件。這些組件涵蓋了典型的靜息態(tài)網(wǎng)絡，并提供了有關工作記憶負荷效應的多方面研究(圖3和表1)。例如，兩個顯著組件主要由頂葉和枕葉ROIs組成，它們與視覺和注意加工網(wǎng)絡相關(Entries #1和#2)。也有與前額葉ROIs和高階網(wǎng)絡有關的組件，例如FPCN和DMN(例如，Entries #4和#10)。最后，一些組件跨越視覺/注意力和額葉區(qū)域(例如，Entries #8和#9)，揭示了這些過程之間的協(xié)作。為了保證結果的穩(wěn)健性，該分析還使用24和32-sized的組件進行驗證，得到了類似地形的顯著結果?？傮w而言，這些發(fā)現(xiàn)表明，即使(1)樣本量有限，(2)分類器僅使用連接組的一小部分，不到所有邊緣的0.4%，以及(3)采用嚴格閾值來校正多重假設的情況下，ConnSearch仍然可以產(chǎn)生顯著的結果。

與全連接組解釋方法的比較

測試其他方法發(fā)現(xiàn)，其他方法在識別引起WM負荷的神經(jīng)相關廣度方面不如ConnSearch全面。對于此分析，本研究使用了與上述相同的50名參與者數(shù)據(jù)集，并首次證實了SVM和嶺回歸是成功的分類器。事實上，兩者的準確度都很高(超過80%)。然后，對四種事后解釋方法進行檢驗，并得到了大致相似的結果：每種方法都與視覺網(wǎng)絡和背側注意網(wǎng)絡(DAN)的邊密切相關，這些邊與后部ROIs相關聯(lián)(圖4)。然而，其他方法在識別這些網(wǎng)絡之外的模式方面更為有限。從統(tǒng)計學上講，只有與視覺網(wǎng)絡和DAN相關的邊被認為在頻率上最具預測性。這與ConnSearch形成鮮明對比，ConnSearch不僅描繪了后部組件，還描繪了包括額葉ROIs的FPCN-FPCN，F(xiàn)PCN-DMN和DMN-DMN組件。這些結果為關于ConnSearch全面性的假設提供了證據(jù)，即更全面地捕獲因變量的影響。接下來，將使用更大的數(shù)據(jù)集進一步比較這些不同的范式。

大樣本量組水平ConnSearch

使用由Schaefer等人(2018)的圖譜對更大的數(shù)據(jù)集(N=250)進行分析，可以使ConnSearch精確地繪制由WM負荷引發(fā)的連接模式的地形圖(圖5)。這種精確性在兩個顯著模式中得到了體現(xiàn)。首先，在大腦后部皮層中，對250名參與者的分析顯示出兩個團簇：一個是早期視覺團簇，一個是后頂葉團簇，可能分別反映了可分離的視覺和注意加工。其次，在前額葉皮層(PFC)中，出現(xiàn)了背外側PFC團簇并呈現(xiàn)出前后梯度，這可能反映了加工的分層組織。在對有限數(shù)據(jù)集的分析中，這些特定模式均未出現(xiàn)。因此，在更大的樣本量下，ConnSearch對WM負荷效應的定位程度更加精確。雖然不能肯定這些發(fā)現(xiàn)是“正確的”，因為“真值”是未知的，但結果與現(xiàn)有的WM研究一致。值得注意的是，通常被認為參與WM較少的網(wǎng)絡和區(qū)域，例如邊緣網(wǎng)絡或眶額葉皮層，仍然未能被識別出來，這表明ConnSearch不會產(chǎn)生假陽性結果。

與全連接組解釋方法的比較使用更大的數(shù)據(jù)集與現(xiàn)有方法進行比較進一步證明，ConnSearch的結果更全面地反映了由WM負荷引發(fā)的模式。例如，通過ConnSearch識別的枕葉與頂葉分離在全連接組分類/解釋方法的結果中不太明顯(圖6)。此外，ConnSearch還發(fā)現(xiàn)了特定的PFC效應，主要涉及外側PFC的后部區(qū)域。另一方面，遞歸特征消除未顯示出明確的額葉參與，而另外兩種技術主要涉及PFC的內(nèi)側和相對前部區(qū)域。如上所述，我們沒有關于哪個區(qū)域更相關的“真值”，但對WM引發(fā)的BOLD激活的元分析通常顯示，外側和后部PFC效應比內(nèi)側和前部PFC效應更突出?？傮w而言，這些結果補充了使用較小數(shù)據(jù)集得出的初步發(fā)現(xiàn)，并進一步證明了ConnSearch比其他方法更精確和全面地定位了任務操作的神經(jīng)相關性。

特定于個體的ConnSearch除了組水平分析之外，ConnSearch組件還可以以其他方式進行建模。特定于個體的ConnSearch使用關聯(lián)相似性(而不是分類)對每個組件的數(shù)據(jù)進行建模。該分析試圖識別由給定參與者第一個會話中的條件引起的連接模式來預測其在第二個會話中的連接模式。正如預期的那樣，特定于個體的ConnSearch在使用有限數(shù)據(jù)集(N=50；圖7頂部)時發(fā)現(xiàn)了幾個對WM負荷敏感的重要網(wǎng)絡組件。例如，與組水平分析相關的FPCN也可以通過特定于個體的分析來識別。另一方面，一些網(wǎng)絡顯示出明顯的組水平效應，但沒有顯示出主要的特定于個體的模式(例如，視覺網(wǎng)絡和DMN)，這表明這些網(wǎng)絡的任務相關反應在整個人群中更加同質。這種網(wǎng)絡之間的解離突出了特定于個體的分析如何提供獨特的見解來補充組水平分析，以及ConnSearch是如何定位這些效應的。為此，在去除組水平效應后，本研究還執(zhí)行了特定于個體的ConnSearch，即逐邊減去每個條件的組均值。三個組件仍然顯著(Entries #1、#6、#7)，這意味著至少對于這三個組件，WM負荷引發(fā)了每個參與者獨有的連接配置。

進一步的分析增加了FPCN結果的穩(wěn)健性。例如，當使用24或32-sized的組件進行測試時，也會出現(xiàn)類似的結果。使用Schaefer等人(2018)的圖譜進行分析，也顯示了FPCN模式，并且具有更高的精度(圖7底部)。此外，對可重復性的分析表明，使用50名參與者發(fā)現(xiàn)的模式在多個數(shù)據(jù)集上的收斂程度高于偶然預期?？傮w而言，這些結果表明，任務操作會引發(fā)每個參與者獨有的連接效應，這些效應超越了組水平模式。此外，ConnSearch是將這些效應定位到連接組特定區(qū)域的有效手段，這不僅顯示了該框架的靈活性，而且是研究腦網(wǎng)絡中的個體異質性的潛在工具。

結論

本研究提出了一種適用于功能連接分析的新框架，稱為“ConnSearch”。該研究有四個主要發(fā)現(xiàn)。關于組水平分析，首先，即使樣本量有限(N=50)，ConnSearch在任務態(tài)fMRI研究中也是可行的。其次，與已測試的四種現(xiàn)有分類和解釋方法相比，ConnSearch確定了更廣泛和詳細的神經(jīng)相關性。第三，與傳統(tǒng)方法相比，ConnSearch使用更可靠的數(shù)據(jù)，并產(chǎn)生更具可復制性的結果。最后，關于特定于個體的分析，ConnSearch可以識別表達被試特定性(異質性)效應的網(wǎng)絡組件。總體而言，本研究為ConnSearch作為組水平和特定于個體功能連接分析的新框架提供了證據(jù)。為了支持未來此類研究的探索以及認知神經(jīng)科學家對機器學習方法的采用，目前所有代碼都公開提供了詳細的文檔和說明。

原文：Paul Bogdan, Alexandru D. Iordan, Jonathan Shobrook, Florin Dolcos, ConnSearch: A Framework for Functional Connectivity Analysis Designed for Interpretability and Effectiveness at Limited Sample Sizes, NeuroImage (2023), doi: https://doi.org/10.1016/j.neuroimage.2023.120274

小伙伴們關注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～