人脑的神经网络结构模式可能与个体在表型、行为、遗传决定因素和神经精神障碍的临床结果方面的差异有关。最近的研究表明，个性化的神经(大脑)指纹可以从大脑的结构连接体中识别出来。然而，个性化指纹在认知方面的准确性、可重复性和翻译潜力尚未完全确定。在本研究中，我们引入了一种动态连接体建模方法来识别一组关键的白质子网络，可以用作个性化指纹。我们进行了几个个体变量评估，以证明个性化指纹的准确性和实用性，特别是预测中年成年人的身份和智商，以及幼儿的发育商。我们的发现表明，我们的动态建模方法发现的指纹足以区分个体，也能够预测整个人类发展的一般智力能力。
1. 简介
在神经生物学中，结构是功能的关键因素。通过磁共振成像(MRI)，现在可以绘制整个大脑的白质连接，即所谓的大脑连接体，提供关于全脑神经网络结构的全球和区域构象的丰富信息。对大脑结构的个性化模式的研究为包括神经遗传学、行为学和临床设置在内的多个领域的理论和实践研究提供了一个有前途的新途径。
一个特别的挑战是在连接体数据中识别个性化的结构连接模式，通常被称为指纹，因为个体之间的网络配置具有高度可变性。因此，考虑到整个大脑连接的丰富性和复杂性，这是一个最适合机器学习算法的问题。应用于连接体的机器学习可以尝试以多种方式学习连接模式。
图1
一方面，它可以聚焦于区域到区域的连接信息(图1A)，通过聚焦于两个连接的大脑区域，它代表了一个局部的连接度量。另一方面，机器学习可以从基于hub的网络分析中获得模式(图1B)，以一种精简的方式考虑到区域或全球的网络拓扑。后者是连接体的重要组成部分，因为它可以克服仅评估区域间间接路径的节点或边属性的限制，这是对大脑网络的不完整评估。为了克服这个问题，Misic等人最近报道了一种通过测量动态扩散模型来最佳评估连接体特性的新方法。通过考虑信息传播的直接和间接模式，连接体动力学有潜力揭示更复杂的路径，并更好地模拟神经网络结构的潜在属性。迄今为止，连接体动力学可以更好地评估核心个体神经网络配置的性质和临床转化潜力，但尚未用于评估个性化指纹。
现有的研究使用结构或功能连接指纹已经报告了识别一个人的身份，预测认知或运动技能发展，甚至基于形态连接技术的智商(IQ) 的能力。
尽管如此，目前还不清楚一组关键的结构性亚网络是否对从儿童到成人的认知发展至关重要。更具体地说，指纹是否依赖于一组从童年到成年都很重要的核心亚网络?它们是否可以用于评估不同年龄人口的各种个性化变量，如个人认知表现或神经发育，并具有较高的准确性?
在这项研究中，我们特别测试了连接体动力学是否能够识别组成一个结构亚网络的连接脑区域，其属性:a)可以作为一个个性化的大脑结构指纹，用于区分个体，b)与个性化的行为表现有关。我们假设，连接体动力学可能有助于神经网络个性、发展轨迹和神经心理学的发展。
为了充分评估连接体动力学，我们提出了一种利用Misic等人引入的技术的新方法，该技术认为枢纽区域可能会塑造通信路径。特别是，Dijkstra的单源最短路径算法中包含了节点hub度信息，以识别形成这些核心通信路径的子网。通过评估考虑节点hub性而不是区域到区域信息的连接体动力学，我们提出，间接和直接路径可以得到充分考虑，同时也可以纳入作为hub的节点提供的影响，这可能对协调神经元沟通有深远的影响，并决定功能属性(即，与认知相关)。我们提出，由此产生的连接体动态将是一个更短、更简单的通信路径，代表一个更生物学上可信的解决方案(图1C)。使用数据驱动的方法，即没有事先的解剖或临床假设，我们使用深度学习来检测和测试我们的连接体动力学方法是否能够准确地识别一个人的身份，并且比单测量边权值或基于中心的方法具有更高的分类准确性。最后，我们测试我们的连接体动态特征是否能够可靠地预测个体在童年(神经发育)和成年(智商)的表现。
2. 方法概述
建立每个个体的连接体，更具体地说，连接性是通过ROI i为种子时到达ROI j的概率白质(WM)纤维束流线的数量来测量的，并将ROIj为种子时到达ROI i的概率WM纤维束流线的数量平均。这一步是将83个ROI分别作为种子，得到mxm的连接矩阵C，其中的元素是i和j之间的加权无向网络连接。因为C的元素是i和j之间平均的，所以C是主对角线对称矩阵。
在计算所提出的连接体动态之前，使用一种简单、直接的方法将区域到区域的连接和区核心度度量结合起来，将无向的区域到区域的连接(图2A)转换为一对有向的核心连接(图2B)。在图论的意义上，一个加权无向图(图2C)被转换为一个加权有向图(图2D)。特别地，给定一个mxm无向对称连通矩阵C，使用图2提供的步骤序列构造一个mxm有向非对称连通矩阵D。
图2 无向到有向图的转化 h是核心度
个性化指纹的估计方法如图3所示。
图3 估计个性化指纹的方法
图4所示的算法找到不同个体多数子网络。
图4 估计多数子网络的方法
为了证明个人身份分类的准确性与所使用的数据集和人口人口无关，我们将个性化指纹应用于一个连接体数据集，然后用于预测个人的认知表现(图5)。
图5 预测建模方法，评估个性化指纹连接体动力学与两种不同年龄人口统计数据(即幼儿样本的早期学习综合得分和成人样本的智商)之间的关系
3. 结果
3.1 个体识别分类表现
深度学习(DL)人识别模型的分类精度进行评估，并与线性多类支持向量(SV)人员识别模型的分类精度进行比较(表1)。获得最高精度的是:DL模型的动量设置为0:5，学习率设置为0.001,SV模型的正则化惩罚(C)设置为0.75。此外，同样的最优模型参数值被用于训练DL和SV人员识别模型，这些模型使用了仅使用中心、区域到区域和现有的动态度量。三折过程是使用最优模型参数,重复20次(评估建模方法的稳定性)和报告分类精度的平均值和标准偏差计算发现六十测试折叠(即在60测试折叠20次三折过程执行结果)。
使用不同的连接组特征对DL和SV人识别模型的分类精度进行了评估，具体如下:1)提出的连接组动态特征，2)仅核心度特征(SI附录:hub度度量)，3)区域到区域的WM连通性特征，以及4)基于区域到区域通信能力的图拓扑动态特征或平均首次通过时间。
独立于机器学习算法(DL vs. SV)，报告的的分类精度(表1)表明，使用我们的连接体动态的人识别模型提供了更丰富的微妙的大脑网络路径差异的描述，这可能是特定个体固有的。更具体地说，与使用简单特征的人员识别模型相比，如WM区域到区域的连通性或区域中心度，使用我们的连接体动态特征的模型的分类性能平均比使用核心性、通信性或首次平均通过时间特征的模型高26%。与使用区域间特征的模型相比，精确度提高了39%。
在考虑机器学习算法时，DL人识别模型比SV人识别模型平均高出18%。此外，使用我们的动态连接体的DL人识别模型比使用我们的动态连接体的SV模型平均高出21%。最后，使用连接体动态特征的DL人识别模型比使用可沟通性特征的模型平均高出33%，比使用平均首个通过时间特征的模型平均高出24%。此外，使用连接体动态特征的DL人识别模型平均准确率为91%。相比之下，仅基于区域间连接、基于中心特征或拓扑特征的DL模型的平均准确率分别为41%、62%和63%。在将脑区域中枢性纳入动态计算的连接体动态方法中，特征向量中心性获得了最高的分类精度。最后,因为人的连接体识别数据集是两个不同的核磁共振扫描仪,报告分类精度(表1)表明,对我们的建模方法(使用连接体动态特性)在两核磁共振扫描仪分类精度上几乎没有差异。如果扫描仪确实存在差异，平均准确率可能是67%，也就是说，第三个参与者的连接体(在不同的扫描仪上获得)将一直被错误分类。然而，我们报告的使用特征向量中心性中心度的最高表现的连接体动态的平均准确度约为93%，而使用聚类系数中心度的最低表现的连接体动态的平均准确度约为89%。
3.2 连接体动态特征选择
我们的连接体动态特征选择方法被应用于60人识别模型(3倍交叉验证过程重复20次)，使用连接体动态具有最高的平均分类精度，具体来说，在动态计算中包含特征向量的连接体动态特征。具体来说，回溯技术生成了一个最终的回溯贡献权向量，将连接体动态特征的数量从n=6806个特征减少到1384个(约减少79%)。接下来，我们的迭代方法应用于最终的回溯贡献权值向量，进一步将连接体动态特征数量从1384减少到k=16(减少98%)(图6)。
图6 迭代特征减少方法结果
3.3 个体化指纹
将动态计算中包含特征向量中心性中心度度量的top k=16个连接体动态特征转换回由单源最短路径算法求出的原始最短路径，进而求出16个多数子网。每个多数子网络所涉及的大脑区域被分为四分位(图7和图8)，即前1- 4位(Q1)，前5- 8位(Q2)，前9- 12位(Q3)，前13- 16位(Q4)。总的来说，最主要的子网络主要涉及同侧和对侧连接，但不是唯一的，包括额叶和颞叶以及整个顶叶和枕骨区域，通常发挥联想作用。此外，还注意到皮质-皮质下连接。在前16个多数子网中确定的大脑区域之间的关系和功能反向推理图的元分析纲要也被执行(图7最右边的专栏)。每个多数子网分组的大脑区域的平均功能负荷被显示(旁边的解剖连接路径)。将所有功能负荷归一化以促进可视化。
综上所述，Q1在情感、味觉和条件作用上负荷更高，Q2在冲突和抑制作用上负荷更高，Q3在视觉和听觉处理上负荷更高，Q4在听觉和情绪功能上负荷更高。
图7 构成个体化指纹的top 16主要子网，分为4组
图8 由4个分位子网构成的个体子网
3.4 个性化指纹和全脑WM连接百分比
我们还分析了整个大脑的WM连接与形成我们个性化指纹的16个主要子网中的WM连接的关系(第3.3节，图7)。用方程式(1)(2)(第2.7节)，对于个人识别数据集中的60个成人连接体，在整个大脑中大约8.2%的WM连接在个性化的指纹被表达(图9)。141幼儿早期学习的连接体数据集大约5.4%的WM连接在个性化的指纹被表达(图9),在IQ数据集中的58个成人连接体中，整个大脑中约4.2%的WM连接在个性化的指纹上表达(图9)。
图9 整个白质连接分数
3.5 个性化指纹和认知模型表现
使用形成我们个性化指纹的16个主要子网(第3.3节，图7)和我们的预测建模方法(第2.8节，图5)，早期学习2年预测LOOCV平均绝对误差为7.7分(SD =7.1)(图10;幼儿ELC)，由LOOCV程序创建的141个预测模型的平均相关系数为0.70 (R2 =0.49, SD =0.16)。
我们的预测建模方法的有效性也通过从141个具有随机连接的幼儿连接体中创建不正确的连接体动力学来评估。
在随机连接体上重复LOOCV程序，平均绝对误差为22.1分(SD=11.8)，平均相关系数为0.14 (R2 =0.02, SD =0.08)。同样，使用形成我们个性化指纹的16个主要子网，以及我们的预测建模方法，智商预测模型LOOCV平均绝对误差为4.1分(SD= 6.8)(图10;由LOOCV程序创建的58个预测模型的平均相关系数为0.76 (R2 =0.58, SD= 0.12)。
同样，对随机连接体重复LOOCV程序，平均绝对误差为24.3分(SD=0.6)，平均相关系数为0.10 (R2 =0.01, SD =0.05)。除LOOCV外，还采用了10倍方法，ELC和IQ模型的10倍平均绝对预测误差在0.12分以内，SD在LOOCV平均绝对预测误差结果的0.26分以内。这表明，从我们的个性化指纹中提取的连接体动力学构建的预测模型不依赖于交叉验证程序。
图10 幼儿ELC和成人智商模型的结果
4. 讨论
本研究试图探索机器学习是否能够根据个体的大脑结构连接和行为表现准确地识别个体。我们证明，基于特定大脑网络中独特动态特性的模型能够挑选出个体，并以相当高的准确率预测儿童时期的认知发展和成年时期的智商。总之，我们的研究结果表明，大脑中的个性化指纹由16个核心子网组成，足以区分个体，并可以预测个体在智力发展和功能方面的差异。据我们所知，这是第一个通过在不同地点收集的纵向图像扫描数据，成功预测个人身份和行为表现(如个人身份和/或神经发育测量)的指纹研究。
基于结构连接体从样本中可靠地挑选出个性化变量的能力具有潜在的重要理论和实践意义。一方面，它强调了个体的变异可能与一组核心子网形成的结构连接体指纹有关(图7和图8)，从相对年轻的年龄(2岁)到中年(大约65岁)，连接体指纹基本上是完整的，这些子网络的神经可塑性在童年到成年期间不太可能发生变化(图9)。个性化指纹的结果强调，结构连接体可能是认知功能许多方面的有用生物标志物(图10)。由于许多神经精神疾病与认知功能受损有关，并起源于儿童早期大脑发育，因此迫切需要识别早期神经影像学生物标志物，以预测神经精神疾病的风险，并允许早期识别和干预。因此，个性化指纹可能是值得进一步研究的早期生物标志物候选。
5.结论
我们提出了一种新的连接体动态建模方法，该方法将单源最短路径算法应用于有向加权图，该图充分考虑了通信的直接和间接路径。从概念上讲，这种图论类型的路径设计可以让机器学习技术更准确地识别动态模式，在理解健康成人和儿童的个体变异方面具有潜在的效用。
总的来说，身份识别和神经发育预测结果表明，形成个性化指纹的核心子网络集似乎在整个人类发展过程中得到了保存。最后，个性化指纹对神经科学的影响是巨大的，因为个性化指纹可以被测量并用于评估大脑健康和认知功能，以及定义影响神经和精神疾病表现的个人特征。
网友评论