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

Resumo Técnico: Uma Abordagem de Modelo Misto para Estimar a Conectividade Funcional Regional a partir de Sinais BOLD em Nível de Voxel

Definição do Problema
A conectividade funcional (FC) em estado de repouso quantifica a sincronia entre padrões de atividade de regiões cerebrais anatomicamente separadas. Na ressonância magnética funcional (fMRI), os dados são adquiridos como sinais dependentes do nível de oxigenação do sangue (BOLD) através de inúmeros voxels espaciais. O método predominante para estimar a conectividade inter-regional é o estimador de Correlação de Médias (CA), que agrega sinais de nível de voxel dentro de uma região (tipicamente via média espacial) e calcula a correlação de Pearson entre essas médias regionais.

Embora seja computacionalmente simples, o estimador CA sofre de um viés demonstrável e de uma falta de justificativa estatística fundamentada. Como mostrado por Achard et al. (2023), o estimador CA converge para um valor que depende não apenas da verdadeira correlação inter-regional, mas também de parâmetros de incômodo (nuisance parameters), incluindo a correlação espacial intra-regional, razões sinal-ruído e o número de voxels. Consequentemente, as estimativas de CA podem ser severamente enviesadas, particularmente quando as correlações espaciais são altas ou a força do sinal é baixa. Além disso, as abordagens existentes de modelagem em nível de voxel (ex: Kang et al., 2012; Castruccio et al., 2018) focaram primariamente em ativação baseada em tarefas ou inferência de nível de grupo, falhando frequentemente em distinguir claramente a variabilidade intra-regional da inter-regional ou em fornecer uma estimativa robusta de rede em nível individual.

Metodologia
Os autores propõem um arcabouço estatístico rigoroso baseado em modelos lineares de efeitos mistos para estimar a conectividade funcional inter-regional diretamente a partir de sinais BOLD de nível de voxel.

1. Modelo de Efeitos Mistos Espaçotemporais:
   O sinal BOLD observado no voxel $v_{jl}$ na região $R_j$ e no coeficiente de wavelet $m$ é modelado como:
   $$X_{jlm} = \mu_j + \eta_{jm} + \gamma_{jlm} + \epsilon_{jlm}$$

   • $\mu_j$: Nível médio regional.
   • $\eta_{jm}$: Um efeito aleatório de média zero representando o componente de sinal regional, induzindo dependência inter-regional via matriz de correlação $R = \{\rho_{jj'}\}$.
   • $\gamma_{jlm}$: Um efeito aleatório local de média zero capturando a dependência espacial intra-regional, não correlacionado com $\eta_{jm}$.
   • $\epsilon_{jlm}$: Ruído de medição não correlacionado.
     O modelo opera no domínio de wavelet para isolar a dependência temporal de escala específica e reduzir o ruído de alta frequência. A estrutura de covariância assume a separabilidade entre os domínios espacial e de wavelet, utilizando núcleos Matérn e Gaussianos.

2. Procedimento de Estimativa em Duas Etapas:
   Para abordar a intratabilidade computacional da estimativa de máxima verossimilhança (MLE) total para dados espaço-temporais de alta dimensão (onde $N$ pode exceder 20.000 voxels), um procedimento de duas etapas é desenvolvido:

   • Etapa 1: A Máxima Verossimilhança Restrita (ReML) é aplicada aos dados de cada região independentemente para estimar os parâmetros de covariância intra-regional (correlação espacial, variância do ruído). Esta etapa trata os efeitos aleatórios regionais como fixos para isolar a estrutura local.
   • Etapa 2: Os parâmetros de correlação inter-regional ($\rho_{jj'}$) são estimados condicionando-se às estimativas da Etapa 1. Para pares de regiões, os autores empregam a aproximação de verossimilhança de Vecchia (Vecchia, 1988; Guinness, 2018). Este método aproxima a verossimilhança conjunta como um produto de distribuições condicionais baseadas em um conjunto esparso de vizinhos próximos, reduzindo a complexidade computacional de $O(N^3)$ para um nível tratável, mantendo a precisão da estimativa.

3. Inferência:
   As propriedades assintóticas dos estimadores são estabelecidas sob um regime de janela temporal em expansão (número divergente de coeficientes de wavelet). Intervalos de confiança aproximados são construídos usando a matriz de informação de Fisher derivada da aproximação de Vecchia.

Principais Contribuições

• Novo Estimador: O artigo introduz um estimador baseado em máxima verossimilhança para conectividade inter-regional derivado de um modelo de efeitos mistos, indo além do estimador de momentos CA.
• Modelagem Explícita da Variabilidade: O arcabouço separa e modela explicitamente as fontes de variabilidade: correlação inter-regional, dependência espacial intra-regional e ruído de medição. Isso permite a estimativa não enviesada de parâmetros de conectividade que não são confundidos por artefatos de agregação de sinal regional.
• Escalabilidade Computacional: Este trabalho apresenta a primeira aplicação da aproximação de verossimilhança de Vecchia para a estimativa de conectividade funcional com dados de fMRI de nível de voxel, permitindo a análise de conjuntos de dados massivos que eram anteriormente computacionalmente proibitivos para métodos de verossimilhança total.
• Melhoria da Reprodutibilidade: O método é projetado para produzir redes cerebrais individuais mais consistentes, abordando o desafio da confiabilidade teste-reteste em fMRI.

Resultos

• Estudos de Simulação: Simulações extensas comparando os estimadores propostos ReML e Vecchia contra CA, ACE e estimadores EBLUE demonstram desempenho superior. Os estimadores propostos exibem significativamente menor viés e erro quadrático médio, particularmente em cenários de alta correlação espacial intra-regional ou baixas razões sinal-ruído. Crucialmente, o método proposto atinge a cobertura nominal para intervalos de confiança de 95%, enquanto os intervalos baseados em CA sistematicamente falham em cobrir o parâmetro real.
• Aplicação ao Human Connectome Project (HCP): O método foi aplicado a dados de teste-reteste de 42 sujeitos adultos jovens. Redes de conectividade foram construídas tanto para o método proposto quanto para o estimador CA. Usando o Coeficiente de Concordância (CCC) para medir o acordo entre varreduras repetidas (Exame 0 vs. Exame 1), a abordagem de modelo misto proposta apresentou consistentemente maior concordância do que o CA. Isso indica que o método proposto produz redes cerebrais individuais mais confiáveis e reprodutíveis.

Significância
O artigo argumenta que o uso generalizado do estimador CA introduz um viés sistemático em estudos de conectividade funcional, potencialmente afetando a validade de comparações de grupo e caracterizações individuais. Ao fornecer uma abordagem de modelo misto estatisticamente fundamentada que considera as dependências de nível de voxel e o ruído, os autores oferecem um método que produz estimativas mais precisas e confiáveis da arquitetura de redes cerebrais. A melhoria demonstrada na reprodutibilidade teste-reteste sugere que esta abordagem pode levar a uma compreensão científica mais robusta da variabilidade individual em redes de conectividade e suas associações com desfechos de saúde. Os autores observam que, embora o método seja projetado para fMRI, o modelo subjacente poderia ser aplicável a outros contextos envolvendo séries temporais espacialmente agrupadas.