纵向截面脑结构网络的统计分析

Modern magnetic resonance imaging (MRI) technology, combined with state-of-the-art imaging processing algorithms, has made it possible to reliably measure structural brain networks corresponding to a set of interconnections among brain regions. The datasets used in this study consist of the structural brain networks measured for multiple subjects at different times of their lives, which are called longitudinal and cross-sectional structural brain networks. Till now, very little is known about how neural connection structure in the brain impacts the cognitive abilities of humans, how the impacts vary with age, and the development of structural brain networks during adolescence. There are few statistical methods that could effectively analyze the longitudinal and cross-sectional structural brain networks. The significance of this project is to develop general statistical models and tools for analyzing and interpreting this type of data, which could help to answer the scientific questions above in a data-driven way. Specifically, this project aims to employ machine learning and Bayesian approaches to develop a new class of statistical models, that could select neurologically interpretable local connection structure predictive of phenotypes and analyze their time effects. Another goal is to develop new statistical models for describing changes in structural brain networks during teenage years, while deriving efficient algorithms for model estimation.

现代磁共振影像技术搭配先进的图像处理工具可以较可靠地提取描述脑区之间神经连接情况的脑结构网络。本项目的数据涉及多个受试者不同时期观测的脑结构网络，称为纵向截面脑结构网络。对于脑神经连接结构如何影响人的认知能力、这些影响如何随年龄变化、以及青春期脑结构网络如何衍化等问题，人们还所知甚少，而目前能够有效分析此类纵向截面脑结构网络数据的统计模型很少。本项目的研究意义是为分析解释纵向截面脑结构网络类型的数据研发通用的统计模型和方法，从数据驱动的角度回答上述科学问题。本项目的具体目标是综合运用机器学习和贝叶斯统计等方法构建新的统计模型，从纵向截面脑结构网络中提取对外部特征有预测能力的、可解释的局部神经结构并分析其时间效应；本项目还计划构建描述青春期脑结构网络发展变化的统计模型，并为模型的估计设计快速有效的算法。

近年来人们越来越关注使用现代核磁共振影像技术更好地理解大脑神经连接结构与人的行为、能力或神经性疾病的关系，以及大脑神经连接结构如何随年龄变化。本项目围绕多个受试者不同时期观测的脑结构网络数据，开展了以下三部分内容的研究：（1）开发网络分类模型以识别具有一定结构、可解释的预测子网络。（2）开发纵向网络分类模型并描述信号子网络的预测效应随时间的变化。（3）对高维变量动态变化过程进行联合统计建模。针对上述研究内容，本项目提出了一个对称双线性Logistic回归模型，该模型在对网络做分类时可以筛选出具有全连接结构的信号子网络，在神经科学领域有很好的解释性，可以揭示与认知能力有关的大脑神经回路。在该模型中引入时变系数可以实现对纵向网络做分类及估计预测子网络的时间效应。我们应用上述方法分析了青少年大脑认知发展研究（ABCD）数据和阿尔兹海默症神经影像计划（ADNI）数据，从数据驱动的角度找出了与儿童固定认知能力高低、老年人认知能力衰减有关的脑结构子网络。在对高维神经影像变量的联合动态建模方面，本项目提出了高维响应变量的增长曲线模型，该模型有助于研究人员回答与多个相互关联的动态过程有关的一些复杂研究问题，为疾病的诊断、演化或康复提供一些洞见。