Comparative Evaluation of Assumption Lean Community Detection Methods for Human Connectome Networks

本文在人类连接组数据上系统性地基准测试了假设依赖度低的社区检测方法与模型选择标准，证明了一种基于似然的准则能够有效识别出与成人既定感觉系统相一致的生物合理社区结构，并揭示婴儿中独特的发育介观尺度架构。

要点

想象人类大脑是一座庞大而繁忙的城市，数十亿居民（神经元）在其中不断相互交谈。有时，这些居民会形成紧密的社区或俱乐部，他们彼此之间的交流频率远高于与城市其他区域居民的交流。在脑科学中，这些社区被称为“社群”，而厘清这些社区的边界，则有点像在不知道城市究竟有多少个社区的情况下，试图绘制一张城市地图。

本文本质上是一场为这些脑区社区寻找“最佳地图绘制者”的竞赛。

问题：究竟有多少个社区？

科学家很难确定大脑网络中究竟存在多少个不同的群体（或社群）。这就像试图组织一场大型派对：你是将宾客分成 5 组、10 组，还是 20 组？由于缺乏标准规则，研究人员一直只能靠猜测。

参赛选手

作者设立了三项不同的“地图绘制”方法之间的竞赛，以观察哪种方法能在不过多依赖假设（猜测）的情况下表现最佳：

1. 加权随机块模型（WSBM）：一种复杂的统计工具，用于考察连接的强度。
2. 谱聚类：一种利用几何学将事物归组的数学技术。
3. K-means 聚类：一种非常常见且直接的方法，试图根据事物彼此间的平均距离进行归组。

试驾测试

为了决出胜者，研究人员进行了两类测试：

• 假想城市测试：他们构建了一个虚假的大脑网络，并预先知道其中确切存在的社区数量。这相当于“答案键”，用于检验这些方法能否发现真相。
• 真实城市测试：他们将这些方法应用于成人以及婴儿/幼儿的真实脑部扫描数据。

结果

1. 在假想城市（合成数据）上：
WSBM 和 谱聚类 如同经验丰富的侦探；它们准确识别出了植入虚假数据中的确切社区数量。然而，K-means 却感到困惑，未能找到正确的数量。

2. 在成人大脑上：
在观察真实成人大脑时，大多数标准的“规则手册”（如轮廓系数）表现得犹豫不决，提出了许多不同的分组数量，却未能选出一个明确的赢家。
然而，WSBM 方法（使用带有置信区间的特定似然检验）自信地指出：“存在 11 个社区。”这一数字与科学家对成人大脑的既有认知完美吻合：主要的感觉区域（视觉、听觉、触觉）和联合区域（思考、规划）是截然不同且定义清晰的。

3. 在婴儿和幼儿大脑上：
当他们观察发育中的大脑时，同一方法提示了更大的数量：大约 15 个社区。
这揭示了发育过程中一个迷人的现象。婴儿的大脑并非仅仅是缩小版的成人大脑；其组织方式截然不同。该方法显示，“默认模式网络”（大脑的走神网络）和“额顶网络”（注意力网络）已经分裂为前部和后部亚区。这就像观察一座仍在建设中的城市，其社区正在以一种独特的模式形成，这种模式与已完工的成人城市截然不同。

结论

本文总结道，如果你希望在不凭空制定规则的情况下绘制脑区社群图，加权随机块模型是最可靠的工具。它成功识别了成人脑中已知的结构，并揭示了婴儿脑中更为复杂的发育结构，提供了一种原则性的方法来计算我们大脑网络中究竟存在多少个“社区”。

技术摘要

技术摘要：面向人类连接组网络的假设精简型社区检测方法比较评估

问题陈述
社区检测为分析静息态功能脑网络中的介观尺度组织提供了一个有原则的视角。然而，存在一个关键的方法学缺口：目前尚无标准化或有原则的指导方针用于选择社区数量（$K$）。这种共识的缺失使得网络拓扑的解释复杂化，并阻碍了不同神经影像研究之间发现的可重复性。

方法学
作者进行了一项系统基准测试，比较了应用于加权功能连接矩阵的三种假设精简型方法：

1. 加权随机块模型（WSBM）
2. 谱聚类
3. K 均值聚类

评估框架利用了两种不同的数据源：

• 合成网络：生成具有已知真实基准的网络，以验证各方法恢复真实社区数量的能力。
• 神经影像队列：来自三个不同群体的真实世界数据，包括成人数据集以及婴儿/幼儿数据集。

为了确定最优的 $K$，本研究比较了多种策略：

• 现有文献中常见的标准指标，例如轮廓系数（Silhouette Index）。
• 专用于加权随机块模型的基于似然的准则。该准则利用自助法（bootstrap）置信区间来评估连续 $K$ 值之间对数似然的显著差异。

主要结果

• 合成网络性能：在具有已知真实基准的合成网络上，加权随机块模型（WSBM）和谱聚类均成功识别出了真实的社区数量。相比之下，K 均值聚类未能正确识别真实的社区数量。
• 成人数据集：大多数标准指标（包括轮廓系数）未能给出 $K$ 的唯一最优解。然而，WSBM 的基于似然的准则选择了 $K=11$。这一结果与既定的感觉和联合系统神经生物学模型相一致。
• 婴儿和幼儿数据集：将相同的基于似然的程序应用于发育中的大脑，支持了约 $K=15$ 的较大社区数量。这一选择揭示了发育上独特的介观尺度架构，具体识别出了默认模式系统和额顶叶系统内部的前部与后部亚区。

意义与主张
本文主张，加权随机块模型的基于似然的准则为功能连接组分析中选择 $K$ 提供了一种稳健且有原则的替代现有指标的方案。与其他在真实世界数据中往往产生模糊或非唯一最优解的方法不同，该方法成功地在成人和发育中大脑中识别出了具有神经生物学合理性的社区结构。研究结果表明，人类连接组的介观尺度架构并非静态，而是在发育过程中发生演变，所提出的方法能够捕捉这些独特的组织转变（例如，从婴儿期的 $K \approx 15$ 到成人期的 $K=11$ 的过渡）。该研究建立了一个更可靠的社区检测框架，无需依赖任意参数选择。