安静時fMRIを用いた機能的コネクトームベース予測モデルのベンチマーク

Benchmarking functional connectome-based predictive models for resting-state fMRI
Dadi, Kamalaker and Rahim, Mehdi and Abraham, Alexandre and Chyzhyk, Darya and Milham, Michael and Thirion, Bertrand and Varoquaux, Ga{\”e}l and Alzheimer’s Disease Neuroimaging Initiative and others
Neuroimage, vol.192, pp.115–134, 2019

機能的なコネクトームは,個々の心理的または臨床的特徴のバイオマーカーを明らかにする.ただし,rest-fMRIコホートから結果を導くために通常使用される分析パイプラインには大きなばらつきがある.ここでは,機能的なコネクトームのエッジの重みに関する予測モデルを使用して特定のタイプの研究を検討する.そのために,最適なモデリングを示す.神経変性疾患(アルツハイマー病,心的外傷後ストレス障害)神経精神疾患(統合失調症,自閉症),薬物依存症(大麻使用)と心理的特性の6つの異なるコホートおよび合計2000人のモデルの予測性能を体系的に検討した. rest-fMRIからの一般的な予測手順は,3つの主要なステップで構成されている.脳領域の定義,相互作用の表現,および教師あり学習である.領域を定義する8つの異なる方法,事前定義またはrest-fMRIデータから生成する方法,抽出された時系列から機能的なコネクトームを構築する3つの手段.および機能的な相互作用を比較する10の分類モデルの各ステップについて,典型的な選択肢のベンチマークを行った.ベンチマークでは,240を超えるさまざまなパイプラインを要約し,母集団と観測結果のばらつきにもかかわらず,一貫した予測パフォーマンスを示すモデリングは機能データから定義された領域が最適に機能することがわかる.相関と部分相関の中間である共分散の接線ベースのパラメーター化により領域間相互作用をキャプチャすることが有益であること.また,ロジスティック回帰などの単純な線形予測子が最良の予測を提供する.本稿は,臨床のための再現可能な画像ベースのバイオマーカーを確立するための一歩である.