Entropy measures as indicators of connectivity paths in the human brain

技術要約：ヒト脳の結合経路の指標としてのエントロピー尺度

問題提起
脳のトポロジー的および機能的な複雑さは、微小なニューロン単位からマクロなネットワークに至るまで、複数のスケールで機能している。fMRIのような手法は大規模な機能的分化に関する洞察を提供する一方で、これらの信号を解析することには大きな課題が伴う。既存の手法による脳領域間の直接的な相互作用の推論は、探索的研究における有用性を制限する強力な仮定に依存することが多い。因果モデルはしばしば特定の事前知識を必要とし、Granger因果性や関連する周波数領域の尺度（DTF、PDCなど）は線形性と定常性を仮定しており、瞬時的な効果や非線形な効果を検出できない。また、相関ベースのアプローチは線形な関連性のみを捉え、間接的な接続によって混乱が生じやすく、グラフ理論やコミュニティ検出法は閾値の選択やアルゴリズムの選択に対して非常に敏感である。

データ分析のアプローチにおいて、確立されたパラメータ、生成モデル、あるいはネットワークに関する正しい事前知識に依存することなく、認知状態を特徴付け、機能的な接続を復元できる手法が不足している。具体的には、線形応答を仮定せず、非線形性を単なる摂動として扱うのではなく、かつfMRIデータに固有の血流動態反応関数（HRF）の遅延に対して頑健である手法が必要とされている。

手法
著者らは、情報理論の変数をfMRI時系列に適用した解析フレームワークを提案している。本研究では、安静時、運動、ワーキングメモリ、感情認識、および言語タスクの5つの条件を含むHuman Connectome Project (HCP) のタスクベースfMRIデータを使用している。脳は、Glasserアトラスを用いて360の皮質関心領域（ROI）にパセレーション（分割）されている。

解析パイプラインは以下の通りである：

1. 離散化： 連続的なBOLD信号は、平均値を閾値として二値化される。これにより、ベースラインの上および下で過ごす相対的な時間を保持しつつ、信号をバイナリシーケンスへと削減する。著者らは、この二値化がスペクトルエントロピーとの比較によって確認されている通り、関連する動的な情報を破壊しないことを指摘している。
2. エントロピー尺度： 各領域に対して3つの情報理論的大きさが計算される：
   • エントロピー密度 ($h_{LZ}$): Lempel-Ziv (LZ) 分解を通じて推定され、信号における新しいパターンの生成率（予測不可能性）を測定する。
   • 有効測定複雑性 ($E_{LZ}$): LZ複雑性に対するランダムシャッフル手順を用いて推定され、時系列の半分同士の相互情報量を定量化し、スケールを越えたパターンの持続性または記憶を反映する。
   • 情報距離 ($d_{LZ}$): LZ複雑性から導出され、時間ラグに依存せず、一方のシーケンスを他方に変換するために必要なアルゴリズム情報に基づき、2つのシーケンス間の距離を測定する。
3. 複雑性-エントロピー写像： 領域は2次元の $(h_{LZ}, E_{LZ})$ 平面にプロットされる。データ雲に対する線形適合の残差に基づく客観的な閾値判定により、「活動的」な領域（より構造化され、ランダム性が低い動態を示す、低い $h_{LZ}$ と高い $E_{LZ}$ を特徴とする）と「非活動的」な領域を分離する。
4. 結合解析： ペアごとの $d_{LZ}$ 値が計算され、距離行列を構築するために使用される。これらは、階層的デンドログラム（近傍結合クラスタリングによる）および結合グラフ（距離の5パーセンタイルで閾値設定）を生成するために使用され、機能的構造を明らかにする。

主な貢献と結果

• モデルフリーの活性化検出： 本フレームワークは、デザイン行列、血流動態反応モデル、または調整されたパラメータなしに、タスクに関連する領域を特定することに成功した。得られた複雑性-エントロピーマップは、確立されたタスク関連領域（例：視覚タスクに対する視覚野、運動タスクに対する運動/感覚野、言語タスクに対する聴覚/言語領域）と一致している。
• 動態の分化： $(h_{LZ}, E_{LZ})$ マップは、単純な振幅ベースの活性化よりも豊かな特性化を提供する。それは、活動的ではあるものの、異なる動的レジームを持つ領域を区別する（例：運動タスク中の運動領域と比較して、パターン生成においてパフォーマンスが低い視覚領域）。
• 機能的階層の復元： LZ距離解析は、すべてのタスクにおいて一貫した階層的およびモジュール的構造を明らかにした：
  • 活動的領域： 機能的分化（例：視覚、運動、注意のクラスター）に従って、デンドログラムの低いレベルで共にクラスター化する。
  • 非活動的領域： タスク駆動型の活動とは異なる、共通の背景動態を示唆する、タスク間で共有される高密度に相互接続された「バックボーン」を形成する。
• 検証： エントロピー由来の活動セットは、以下の3つの独立したリファレンスに対して検証された：
  1. Cole-Anticevicネットワーク分割： 活動領域は、期待される機能的ネットワーク（例：感情/メモリタスクに対する視覚ネットワーク、運動タスクに対する体性感覚運動ネットワーク）において有意な濃縮を示した。
  2. Neurosynthメタ解析： 活性化の空間パターンは、用語特有の関連マップと一致し、コアとなる認知ネットワーク（例：ワーキングメモリに対する背外側前頭前野）を復元した。
  3. HCP GLM活性化： 全脳におけるGLM効果サイズとの相関は（構造と振幅の測定方法の違いにより）一般に弱かったが、特定の機能的ネットワーク内では強い相関が見られた。特に、本エントロピー尺度は、GLMが「タスクネガティブ（脱活性化）」と分類した領域において、言語タスク中の前頭頭頂葉の関与を特定しており、これはベースラインの振幅シフトとは独立して構造を検出する本手法の能力を浮き彫りにしている。
• 半球対称性： 本研究では、タスク実行中における高い左右半球対称性が観察されたが、これは安静時において著しく崩れ、エントロピー密度の自発的な非対称性を明らかにしている。

意義と主張
本論文は、この解析フレームワークが、脳の結合性に関する探索的研究のための堅牢なモデルフリーツールを提供すると主張している。エントロピー密度と有効測定複雑性を活用することで、本手法は線形性や定常性を仮定することなく、線形および非線形な動態の両方を捉えることができる。Lempel-Ziv複雑性の使用により、従来の線形手法では見逃される可能性のある非線形な相互作用の検出が可能となる。

本研究の意義は、以下の点にある：

1. データやネットワーク・トポロジーに関する事前の仮定なしに、領域的な関与と機能的分化を特定すること。
2. タスク固有のサブネットワークが、共有された高密度に接続された背景の非活動領域から、情報的に区別されたものとして出現するという、階層的な組織化を復元すること。
3. 標準的なタスクベース解析では通常強調されない領域（例：言語および運動タスク中の特定の前頭葉および頭頂葉領域）における、これまで報告されていなかった接続やパターンを特定できることを示したこと。

著者らは、現在のフレームワークは方向性のない結合に焦点を当てているものの、脳の活性化と機能的結合を分析するための統一されたツールとして機能すると結論付けている。彼らは、有効結合を分析するための方向性の導入が、将来の研究への自然な拡張であると示唆している。本手法は、複数の機能レベルにおける脳の重要な非線形相互作用を研究するために特に価値があるものとして提示されている。