PaSTA：脑图间空间关联显著性的快速参数推断

《Medical Image Analysis》：PaSTA: Fast parametric inference of significance for spatial associations between brain maps

　　

PaSTA：脑图间空间关联显著性的快速参数推断
•一种用于脑图间空间关联显著性的快速参数检验。•利用变异函数（variograms）和协方差建模（covariance modelling）考虑空间自相关（spatial autocorrelation）。•当脑图在空间上异质时，可改善假阳性率（false positive rate, FPR）控制并提高统计功效（statistical power）。•适用于表面（surface）和体素（volumetric）脑数据，并能处理缺失值（missing values）。

近年来，大型联盟和开放数据共享计划推动了多种高分辨率脑图谱的快速涌现，如组织学、分子检测和多模态神经影像图谱。量化成对脑图之间的空间对应关系是脑成像研究中的核心任务，广泛应用于跨尺度揭示遗传、结构和功能组织原则，以及作为计算模型评估的准则——模型派生图若能更好重现经验空间模式则被认为更合理。然而，脑图的空间自相关（spatial autocorrelation）使得邻近观测值相似且相互依赖，违反大多数统计检验的独立性假设，导致有效自由度降低和假阳性率（false positive rate, FPR）膨胀。现有非参数方法如spin test、BrainSMASH和eigenstrapping虽可生成空分布，但计算成本高，且在处理限定感兴趣区（region of interest, ROI）、体素空间或空间非平稳性时存在局限。空间非平稳性指自相关程度等统计属性随空间变化，已被证实会使既有方法无法充分控制FPR。为此，研究人员Yuanzhe Liu和Andrew Zalesky开发了PaSTA（Parametric Spatial Test for Associations）方法，旨在以参数化方式快速推断脑图间空间关联的显著性。相关成果发表于《Medical Image Analysis》。

研究人员采用的主要技术包括：基于经验变异函数（variogram）拟合稳定模型，构建空间协方差矩阵；利用Dutilleul推导计算有效自由度（effective degrees of freedom）并据此进行参数检验。为处理非平稳性，PaSTA-NS通过空间聚类（parcellation）将数据划分为连续不重叠的parcel，在每个parcel内估计局部变异函数，再利用过程卷积（process convolution）整合为非平稳协方差函数。实证脑图来自neuromaps公开资源，模拟数据使用GSTools生成，并以spin test、eigenstrapping和BrainSMASH作为基准。

2.1 Overview of PaSTA
PaSTA假设两个联合高斯空间过程X和Y，原假设为Cov(X,Y)=0，允许各过程保留自身空间协方差。流程分两步：首先用经验变异函数估计每张图的空间依赖性，拟合变异函数模型构建协方差矩阵；其次根据Dutilleul推导计算有效自由度，并将观测相关与基于有效自由度的参数零分布比较，得到p值。

2.2 Evaluation of statistical power and false positive rate control
研究人员在球形网格(fsaverage5，10,242个顶点)上模拟独立图对，变化空间自相关强度（l=0至50，对应半峰全宽（full width at half maximum, FWHM）≈94 mm），评估名义显著性α=0.05下的FPR。结果显示PaSTA将FPR控制在5%或以下；在强自相关时略保守（l=50时FPR=0.042）。在额外分析中，改变网格分辨率、去除内侧壁顶点，以及使用偏斜指数分布或不同协方差结构，PaSTA的FPR仍受控。随后模拟线性相关的图对评估统计功效，PaSTA与现有非参数方法相当。

2.3 Modelling spatial nonstationarity with PaSTA-NS
当两图的自相关空间模式对齐时，零分布变宽导致FPR膨胀；反向对齐时零分布变窄降低功效。PaSTA-NS通过parcellation估计局部变异函数，并用过程卷积构建非平稳协方差矩阵。模拟显示，对于对齐的非平稳自相关，PaSTA-NS实现名义FPR控制；对反向对齐的情况，改善了统计功效。在平稳数据中PaSTA-NS与PaSTA性能相似，且对斑块状非平稳、两图非平稳不匹配等鲁棒。parcellation选择和数据驱动方法影响结果，PaSTA-NS可近似减轻非平稳性后果。

2.4 Flexibility across spatial domains
PaSTA可处理任意空间域和ROI。研究人员在球面象限ROI（2,528个顶点）和立方体体积（20×20×20，共8,000体素）上模拟独立图对，PaSTA和PaSTA-NS在多种自相关强度下均控制了一类错误。相比之下，eigenstrapping和BrainSMASH的性能依赖参数选择。这表明PaSTA适用于表面和体素研究，支持ROI及皮层-皮层下联合分析，并能处理缺失值。

2.5 Assessing correspondence between empirical brain maps
研究人员对五张皮层图（基因表达第一主成分、Neurosynth、T1/T2比、皮层厚度、功能连接主梯度）进行两两相关检验，先去除空间趋势。PaSTA、PaSTA-NS、spin test、eigenstrapping和BrainSMASH分别报告3、4、5、5、6个显著图对（未校正，α=0.05）。PaSTA较非参数方法更保守。特别地，基因表达与皮层厚度之间，PaSTA-NS不能拒绝原假设（p=0.086），而其他方法包括PaSTA报告显著。事后分析显示两图的自相关呈正相关（即对齐），可能增加假阳性。但真实关联未知。

讨论部分指出，PaSTA是首个参数近似方法，提供MATLAB和Python实现，复杂度为O(N²)，通过分块处理降低内存，计算时间与spin test（1,000个替代）相当。其局限包括假定正态性和依赖变异函数估计准确性。PaSTA-NS近似处理非平稳性，但parcellation粒度限制其能力。距离度量选择影响推断。总之，PaSTA提供了一种快速可靠的方法来估计脑图相关性的p值。研究人员使用已知真实标签的模拟数据集和实证脑图证明了PaSTA的敏感性和特异性。还表明PaSTA-NS可以在脑图自相关结构存在轻度空间非平稳性时进行近似显著性检验。PaSTA相对于现有方法的主要优势在于其速度、处理体积和表面图以及限定感兴趣区的能力，以及近似适应数据非平稳性的能力。