注意のコネクトームに基づくの予測モデリング:データセット間の異なる機能的接続の特徴と予測手法の比較

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

“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から持続的な注意や流動的な知能を含む形質・行動における個人差を予測するために最近開発された.ここでは, コネクトームに基づく予測モデリングフレームワークを使用して,注意機能における3 つの異なる尺度のFC(ピアソンの相関,調和,不調和)と2 つの異なる予測アルゴリズム(直線および部分最小二乗[PLS] 回帰)の予測力を比較した.調和および不調和は,同相同期および逆位相反相関を追跡する最近提案されたFC 測定である.我々は,課題に基づいたまたは安静状態の機能的接続のデータを使用して,コネクトームに基づくモデルを定義し,個人の注意予測に対する(1)機能的接続性測定および(2)特徴選択/予測アルゴリズムの効果をテストした.モデルは,leave-one-subject-out クロスバリエーションを使用してトレーニングデータセットで内部検証され,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,参加者が持続的注意課題を行った時と安静にしていた時に収集されたfMRIデータが含まれていた.検証データセットには,ストップシグナル課題中と安静中に収集されたデータ,注意ネットワーク課題中と安静中に収集されたデータ,ADHD-200 コンソーシアムからのデータおよびADHD 症状の重症度と安静時のデータ含まれている.機能的接続性指標(ピアソンの相関,調和および不調和)と予測アルゴリズム(線形およびPLS 回帰)のすべての組み合わせを使用して定義されたモデルは,内部妥当性検査では0.9,外部妥当性検査では0.6 と高く評価された.課題中のデータで訓練されたモデルは,安静時データで訓練されたモデルより優れていた.ピアソン相関および調和特徴は一般的には,不調和特徴よりも小さな数値優位を示したが,PLS 回帰モデルは線形回帰モデルよりも優れていた.全体として,線形モデルと組み合わせた相関特徴は,調和特徴とコネクトームに基づく予測モデリングのPLS 回帰を考慮する.”

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."