全脳の効果的な接続性の生成モデル

A generative model of whole-brain effective connectivity
S. Frassle, E.I. Lomakina, L. Kasper, Z.M. Man- jaly, A. Leff, K.P. Pruessmann, J.M. Buhmann and K.E. Stephan NeuroImage, 2018.

fMRIデータから効果的な(指向性の)接続強度を推測可能な全脳モデルの開発は,計算によるニューロイメージングの中心的な課題となっている.最近導入されたfMRIデータの生成モデルであるRegression dynamic causal modeling(rDCM)は,非常に大規模なネットワークにスケールアップする目標に向けて動く.しかし,数千の接続を持つ大規模ネットワークは解釈が難しい.さらに,一般に,すべてのモデルパラメータの正確な推定のための情報が欠けている.この論文では,タスクベースのfMRIの領域におけるこれらの問題に対する解決策として,rDCMの変分ベイズフレームワークにスパース制約を導入する.このスパースなrDCMアプローチは,脳全体のネットワークで効率の高い効果的な接続解析を可能にし,ネットワークの接続構造についての先験的な前提を必要とせず,モデル反転の一部として完全に接続されたネットワークを抽出する.スパースrDCMのための変分ベイズ更新方程式の導出に続いて,モデルの妥当性を評価するために,シミュレートされたデータと経験的なデータの両方を使用する.特に,100以上の領域と10,000個以上の接続を有するネットワークを用いて,fMRIデータから効果的な接続強度を推測することが可能であることを示す.これは,fMRIデータからの効果的な接続性に関する全脳推論の実現可能性を実証している.1人の被験者で,並列化されたコードを使用する場合は1分未満の実行時間である.スパースrDCMは,例えば脳全体のネットワーク構造の観点から個々の患者を表現型分類するために,コネクトミックスおよび臨床的神経造形において有用な用途を見出すことができると予想される.