動的機能接続のためのモデルの予測評価

Predictive assessment of models for dynamic functional connectivity
S. F.V. Nielsen, M. N. Schmidt, K. H. Madsen and M. Morup
NeuroImage 2017

神経イメージングでは,時間の経過とともに内因性の脳組織がどのように変化するかを特徴づける動的機能的接続性(dFC) のモデルが,従来の静的解析よりも脳機能のより詳細な表現を提供することが明らかになった.文献中の多くのdFC モデルは,機能的な脳ネットワークを,個々に分離した状態を持った準安定プロセスとして表現される.しかし,モデル選定を実行し,状態の数を知る方法や,異なるモデリング過程が推定された状態の動態にどのように影響をするのかを理解していないことについてコンセンサスが欠けている.これらの課題に取り組むために,モデル評価の予測尤度アプローチを検討する.モデルは,保有テストデータの予測パフォーマンスに基づいて評価される.dFC のいくつかの顕著なモデルを検討し,我々は合成データに関する我々の枠組みを実証し,EEG における顔認証システムやMRI における安静状態という2 つに適用する.我々の結果は,EEG とfMRI の両方が,動的なモデリング手法を静的なモデルよりも優れているという証拠を示していますが,ウィンドウの長さや放出モデルなどのパラメータ設定やモデリングの前提条件により,dFC を解釈する際,推定された状態に大きな影響を及ぼし,結果として脳動態の解釈に大きな影響を与える.