Topological inference on brain networks with application to lesion symptom mapping

Probleemstelling

Traditionele methoden voor het koppelen van hersenlaesies aan symptomen (Lesion Symptom Mapping - LSM), zoals voxel-gebaseerde (VLSM) of regio-gebaseerde (RLSM) analyses, behandelen hersengebieden vaak als geïsoleerde eenheden in plaats van als componenten van een interconnected systeem. Zelfs connectome-gebaseerde LSM (CLSM), die zich richt op connectiviteit tussen regio's, gebruikt vaak massale univariate tests op individuele verbindingen (edges) en kijkt meestal naar een enkele dichtheidsdrempel. Dit biedt slechts een statisch momentopname en mist de complexe, hogere-orde topologische structuren (zoals cycli of lussen) die essentieel zijn voor cognitieve functies zoals taal.

Daarnaast vormt het statistisch vergelijken van persistentie-diagrammen (PD's) een grote uitdaging. PD's, die de geboorte en dood van topologische kenmerken (zoals clusters en 1-cycli) vastleggen, vormen geen vectorruimte en zijn inherent heterogeen. Kleine ruis in de data (bijv. fMRI-ruis) kan leiden tot grote verschuivingen in de coördinaten van de PD, waardoor directe parametrische vergelijkingen onbetrouwbaar zijn. Bestaande methoden vereisen vaak punt-matching (zoals de Hongaarse algoritme), wat computatief zwaar is, of vereisen dimensiereductie die topologische informatie kan vervormen.

Methodologie

De auteurs ontwikkelen een nieuw raamwerk voor Topologische Lesion Symptom Mapping (TLSM) dat gebruikmaakt van Persistent Homology (PH) en Permutatietests op basis van Warmtekernelestimatie (Heat Kernel - HK).

1. Topologische Filtratie en Persistentie:

   • Hersennetwerken worden gemodelleerd als gewogen grafieken.
   • Er wordt een Rips-filtratie toegepast: naarmate de drempelwaarde ($\epsilon$) voor verbindingen stijgt, ontstaan er clusters en cycli (gesloten lussen).
   • De levensduur van deze structuren wordt vastgelegd in een Persistentie-Diagram (PD). De studie focust specifiek op 1-cycli, die redundante of alternatieve communicatiepaden tussen hersenregio's vertegenwoordigen.

2. Warmtekernelestimatie (HK) van PD's:

   • Om het probleem van de heterogeniteit en het ontbreken van een vectorruimte op te lossen, wordt een scale-space representatie van PD's gebruikt via warmtediffusie.
   • De punten in de PD worden behandeld als Dirac-delta functies (warmtebronnen) op een domein $T$ (het bovenste driehoekige gebied boven de diagonaal $y=x$).
   • De oplossing van de warmtevergelijking wordt uitgedrukt als een reeks van Fourier-coëfficiënten ten opzichte van de eigenfuncties van de Laplace-Beltrami (LB) operator.
   • Dit resulteert in een vectoriële algebraïsche representatie van de PD, waardoor vergelijkingen op dezelfde coördinaten mogelijk zijn zonder punt-matching.

3. Spectrale Transpositie-Tests:

   • In plaats van standaard permutatietests (die labels willekeurig verwisselen en computatief duur zijn bij grote steekproeven), gebruiken de auteurs een transpositie-benadering.
   • Een transpositie wisselt slechts twee labels tussen groepen uit. Omdat de teststatistiek (L2-afstand tussen gemiddelde HK-estimates) algebraïsch is, kan de nieuwe waarde incrementeel worden berekend in constante tijd, in plaats van de hele statistiek opnieuw te berekenen.
   • Dit maakt het mogelijk om efficiënt twee-steekproeftests en een Topologische ANOVA (T-ANOVA) voor meerdere groepen uit te voeren zonder dimensiereductie.

Belangrijkste Bijdragen

• TLSM Framework: De eerste toepassing van topologische inferentie voor het koppelen van laesies aan symptomen, waarbij niet individuele verbindingen, maar de persistentie van mesoscale cycli worden geanalyseerd.
• Efficiënte Permutatietest: Ontwikkeling van een snelle, incrementele transpositie-test voor PD's die de computatietijd drastisch verlaagt ten opzichte van standaard permutatietests, zelfs bij grote datasets.
• T-ANOVA: Een nieuwe methode voor het vergelijken van meer dan twee groepen PD's zonder dimensiereductie, wat de topologische structuur behoudt.
• Robuustheid: De methode is getest op synthetische data (puntwolken) en gesimuleerde hersennetwerken, waarbij bewezen werd dat deze robuust is tegen topologische ruis en variaties in de locatie van cycli.

Resultaten

1. Simulatiestudies:

   • De spectrale transpositie-test en T-ANOVA toonden een hoge sensitiviteit in het detecteren van verschillen in topologische structuren (bijv. aanwezigheid van een "sleutel"-vormige cyclus) zelfs bij heterogene ruis.
   • De methoden behielden een uitstekende Type I-foutcontrole (p-waarden dicht bij 1) wanneer er geen echte topologische verschillen waren.
   • In vergelijking met bestaande methoden (zoals Heo's ANOVA en PERMANOVA) presteerde de voorgestelde methode beter in het detecteren van laesie-geïnduceerde topologische veranderingen, vooral bij kleinere steekproefgroottes, en vertoonde minder variabiliteit.
   • De computatietijd groeide lineair/stabiel met de steekproefgrootte, in tegenstelling tot de exponentiële groei bij andere methoden.

2. Toepassing op Aphasie-data (C-STAR dataset):

   • De methode werd toegepast op rusttoestand-fMRI-data van patiënten met post-ictale aphasie (Broca en anoma).
   • Vergelijking met traditionele LSM: Traditionele CLSM en NBS-methoden vonden weinig of geen significante verbindingen die groepen onderscheidden. TLSM daarentegen identificeerde significante verschillen in de persistentiepatronen van 4-polygons (1-cycli) tussen groepen met lage en hoge taalprestaties (vloeiendheid, herhaling, begrip, benoemen).
   • Biologische interpretatie: Significante verschillen werden gevonden in de persistentie van cycli die regio's in de frontale, temporale en pariëtale kwabben verbinden. Hogere persistentie (robustere lussen) was geassocieerd met betere taalprestaties. De analyse toonde aan dat zelfs kleine veranderingen in de samenstelling van een cyclus (bijv. één regio verschuiven van links naar rechts) significant kunnen zijn voor de uitkomst.

Betekenis en Conclusie

De studie introduceert een krachtig, niet-parametrisch statistisch raamwerk dat de kloof overbrugt tussen topologische data-analyse en klinische neurowetenschappen.

• Methodologisch: Het biedt een oplossing voor het statistisch vergelijken van complexe, niet-Euclidische data (PD's) door gebruik te maken van warmtekernelestimatie en spectrale transpositie.
• Klinisch: TLSM biedt een aanvulling op traditionele laesie-symptoom mapping door inzicht te geven in hoe laesies de resiliente, hogere-orde netwerkstructuren (integratiecircuitry) verstoren, in plaats van alleen lokale verbindingen. Dit kan leiden tot een beter begrip van compensatoire mechanismen na een beroerte en de ontwikkeling van betere prognostische markers voor taalherstel.

De auteurs concluderen dat deze integratie van topologische inferentie met een klinisch gevestigd raamwerk zowel methodologische als translationele waarde heeft voor het bestuderen van hersenfunctie en -disfunctie.