注意のコネクトームに基づく予測的なモデリング:データセットを横切る異なる機能的接続性と予測方法の比較

Connectome-based predictive modeling of attention Comparing different functional connectivity features and prediction methods across datasets
K. Yoo, M.D. Rosenberg, W.-T. Hsu, S. Zhang, C.-S.R. Li, D. Scheinost, R.T. Constable and M.M. Chun NeuroImage 167 (2018): 11-22.
20171214_mnishizawa

“コネクトームに基づく予測モデリングは,fMRIで測定された機能的接続性から流動性知性と持続的注意を含む個人で異なる特徴と行動を予測するために近年発展してきた.
ここではCPM枠組みを利用して,3つの異なる尺度(ピアソン相関,一致,不一致)および2つの異なる予測アルゴリズム(線形,部分的最小二乗回帰(PLS)により)により注意機能を比較した.
一致および不一致は,それぞれ同相同期と逆相逆相関を追跡する近年提案された機能的接続性測定である.
我々は,課題時または安静時の機能的接続性データを使用してコネクトームに基づくモデルを定義し,個人で異なる注意予測における(1)機能的接続性測定と(2)機能選択/予測アルゴリズムの効果を試験した.
モデルは,leave-one-subject-out法の交差検証を使用してトレーニングデータセットで内部的に検証され,3つの独立したデータセットで外部検証された.
トレーニングデータセットには,被験者が持続的注意課題を行っていた時と安静時のfMRIデータが含まれていた.
検証データセットには(1)Stop Signal Task (SST)実行中および安静時に収集されたデータ,(2)注意ネットワークタスクの実行中および安静時に収集されたデータ,(3)ADHD-200コンソーシアムからのADHD症状の重症度と安静時のデータが含まれる.
機能的接続性尺度(ピアソン相関,一致,不一致)および予測アルゴリズム(線形および部分的最小二乗回帰(PLS))のすべての組み合わせを使用して定義されたモデルは,内部妥当性では0.9,外部検証では0.6と高い(全て<0.05). 課題時のデータで作成されたモデルは,安静時のデータで作成されたモデルよりも優れていた. Peason相関および適合特徴は一般的に,不適合特徴よりも小さな数値的利点を示したが,部分的最小二乗回帰は一般的に線形回帰よりも優れたモデルであった. 全体として,線形モデルと組み合わされた相関特徴に加えて,CPMによって特徴と部分的最小二乗回帰を考慮すると便利である."