A Mixed Model Approach for Estimating Regional Functional Connectivity from Voxel-level BOLD Signals

Sintesi Tecnica: Un approccio a modelli misti per la stima della connettività funzionale regionale da segnali BOLD a livello di voxel

Problema
La connettività funzionale (FC) a riposo quantifica la sincronia tra i pattern di attività di regioni cerebrali anatomicamente separate. Nella risonanza magnetica funzionale (fMRI), i dati vengono acquisiti come segnali dipendenti dal livello di ossigenazione del sangue (BOLD) attraverso numerosi voxel spaziali. Il metodo prevalente per stimare la connettività inter-regionale è lo stimatore della Correlazione delle Medie (CA), che aggrega i segnali a livello di voxel all'interno di una regione (tipicamente tramite media spaziale) e calcola la correlazione di Pearson tra le medie regionali.

Sebbene computazionalmente semplice, lo stimatore CA soffre di un evidente bias e di una mancanza di giustificazione statisticamente fondata. Come dimostrato da Achard et al. (2023), lo stimatore CA converge a un valore che dipende non solo dalla vera correlazione inter-regionale, ma anche da parametri di disturbo, inclusa la correlazione spaziale intra-regionale, i rapporti segnale-rumore e il numero di voxel. Di conseguenza, le stime CA possono essere severamente distorte, particolarmente quando le correlazioni spaziali sono elevate o la forza del segnale è bassa. Inoltre, gli approcci esistenti di modellazione a livello di voxel (ad es. Kang et al., 2012; Castruccio et al., 2018) si sono concentrati principalmente sull'attivazione legata al compito o sull'inferenza a livello di gruppo, spesso fallendo nel distinguere chiaramente la variabilità intra-regionale da quella inter-regionale o nel fornire una robusta stima di rete a livello individuale.

Metodologia
Gli autori propongono un rigoroso framework statistico basato su modelli lineari a effetti misti per stimare la connettività funzionale inter-regionale direttamente dai segnali BOLD a livello di voxel.

1. Modello Spazio-Temporale a Effetti Misti:
   Il segnale BOLD osservato al voxel $v_{jl}$ nella regione $R_j$ e nel coefficiente wavelet $m$ è modellato come:
   $$X_{jlm} = \mu_j + \eta_{jm} + \gamma_{jlm} + \epsilon_{jlm}$$

• $\mu_j$: Livello medio regionale.
• $\eta_{jm}$: Un effetto casualo a media nulla che rappresenta la componente del segnale regionale, inducendo una dipendenza inter-regionale tramite la matrice di correlazione $R = \{\rho_{jj'}\}$.
• $\gamma_{jlm}$: Un effetto casuale locale a media nulla che cattura la dipendenza spaziale intra-regionale, non correlata con $\eta_{jm}$.
• $\epsilon_{jlm}$: Rumore di misurazione non correlato.
  Il modello opera nel dominio wavelet per isolare la dipendenza temporale specifica per scala e ridurre il rumore ad alta frequenza. La struttura di covarianza assume la separabilità tra i domini spaziale e wavelet, utilizzando kernel di Matérn e Gaussiani.

2. Procedura di Stima in Due Fasi:
   Per affrontare l'intrattabilità computazionale della stima di massima verosimiglianza (MLE) completa per dati spazio-temporali ad alta dimensionalità (dove $N$ può superare i 20.000 voxel), viene sviluppato un approccio in due fasi:

• Fase 1: La Massima Verosimiglianza Ristretta (ReML) viene applicata ai dati di ciascuna regione indipendentemente per stimare i parametri di covarianza intra-regionale (correlazione spaziale, varianza del rumore). Questo passaggio tratta gli effetti casuali regionali come fissi per isolare la struttura locale.
• Fase 2: I parametri di correlazione inter-regionale ($\rho_{jj'}$) sono stimati condizionandoli alle stime della Fase 1. Per le coppie di regioni, gli autori utilizzano l'approssimazione di verosimiglianza di Vecchia (Vecchia, 1988; Guinness, 2018). Questo metodo approssima la verosimiglianza congiunta come un prodotto di distribuzioni condizionate basate su un insieme sparso di vicini più prossimi, riducendo la complessità computazionale da $O(N^3)$ a un livello trattabile pur mantenendo l'accuratezza della stima.

3. Inferenza:
   Le proprietà asintotiche degli stimatori sono stabilite sotto un regime di finestra temporale espandibile (numero divergente di coefficienti wavelet). Intervalli di confidenza approssimativi sono costruiti utilizzando la matrice di informazione di Fisher derivata dall'approssimazione di Vecchia.

Contributi Chiave

• Nuovo Stimatore: Il documento introduce uno stimatore basato sulla massima verosimiglianza per la connettività inter-regionale derivato da un modello a effetti misti, andando oltre lo stimatore CA basato sui momenti.
• Modellazione Esplicita della Variabilità: Il framework separa e modella esplicitamente le fonti di variabilità: correlazione inter-regionale, dipendenza spaziale intra-regionale e rumore di misurazione. Ciò consente una stima non distorta dei parametri di connettività che non siano confusi dagli artefatti di aggregazione del segnale regionale.
• Scalabilità Computazionale: Questo lavoro presenta la prima applicazione dell'approssimazione di verosimiglianza di Vecchia alla stima della connettività funzionale con dati fMRI a livello di voxel, consentendo l'analisi di dataset massivi che erano precedentemente proibitivi per i metodi di verosimiglianza completa.
• Miglioramento della Riproducibilità: Il metodo è progettato per produrre reti cerebrali individuali più coerenti, affrontando la sfida della affidabilità test-retest nella fMRI.

Risultati

• Studi di Simulazione: Ampie simulazioni che confrontano il proposto stimatore ReML e Vecchia rispetto a CA, ACE ed EBLUE dimostrano prestazioni superiori. I ricercatori propongono stimatori che mostrano un bias e un errore quadratico medio significativamente inferiori, particolarmente in scenari con alta correlazione spaziale intra-regionale o bassi rapporti segnale-rumore. Fondamentalmente, il metodo proposto raggiunge la copertura nominale per gli intervalli di confidenza al 95%, mentre gli intervalli basati su CA falliscono sistematicamente nel coprire il parametro reale.
• Applicazione al Human Connectome Project (HCP): Il metodo è stato applicato a dati test-retest di 42 soggetti adulti giovani. Le reti di connettività sono state costruite sia per il metodo proposto che per lo stimatore CA. Utilizzando il Coefficiente di Correlazione di Concordanza (CCC) per misurare l'accordo tra scansioni ripetute (Esame 0 vs. Esame 1), l'approccio a modelli misti proposto ha costantemente prodotto una concordanza più elevata rispetto a CA. Ciò indica che il metodo proposto produce reti cerebrali individuali più affidabili e riproducibili.

Significato
L'articolo sostiene che l'uso diffuso dello stimatore CA introduce un bias sistematico negli studi di connettività funzionale, influenzando potenzialmente la validità dei confronti di gruppo e della caratterizzazione individuale. Fornendo un approccio a modelli misti statisticamente fondato che tiene conto delle dipendenze a livello di voxel e del rumore, gli autori offrono un metodo che produce stime più accurate e affidabili dell'architettura delle reti cerebrali. Il miglioramento dimostrato nella riproducibilità test-retest suggerisce che questo approccio può portare a una comprensione scientifica più robusta della variabilità individuale nella connettività e delle sue associazioni con gli esiti di salute. Gli autori notano che, sebbene il metodo sia progettato per la fMRI, il modello sottostante potrebbe essere applicabile ad altri contesti che coinvolgono serie temporali spazialmente raggruppate.