稀疏协变量驱动的脑连接高维分解及其在多中心效应校正中的应用

《Biostatistics》：Sparse covariate-driven factorization of high-dimensional brain connectivity with application to site effect correction

　　

大规模神经影像研究常跨多个扫描中心采集数据，不同中心的扫描仪、扫描协议及其他本地条件差异会引入人为的位点效应（site effects），从而偏倚由功能磁共振成像（fMRI）衍生的功能连接（Functional Connectivity, FC）等脑连接度量。如何借助高维网络结构有效缓解位点效应尚未解决。研究人员提出稀疏潜协变量驱动连接组（Sparse LAtent Covariate-driven Connectome, SLACC）分解，一种多变量方法，显式在对应于脑连接中稀疏秩1潜模式的被试潜得分上参数化协变量效应。该方法在脑网络内部及跨脑网络识别局部位点驱动变异，实现定向校正。研究人员开发了带惩罚的期望最大化（Expectation–Maximization, EM）算法进行参数估计，并引入贝叶斯信息准则（Bayesian Information Criterion, BIC）指导优化。大量模拟验证SLACC在恢复真值与底层连接模式上的稳健性。应用于孤独症脑影像数据交换（Autism Brain Imaging Data Exchange, ABIDE）数据集，SLACC展现出降低位点效应的能力。

研究背景与动机

大规模神经影像研究常跨多站点、多扫描仪收集静息态fMRI（rs-fMRI）数据，因扫描仪型号、协议与本地条件差异产生人为位点效应，可混淆功能连接（FC）并损害发现的可重复性与泛化性。传统统计协调方法如ComBat将位点效应建模为各特征的可加与乘性效应，后续扩展至协方差异质性及切线空间协调，但多数将FC矩阵向量化，忽视其对称网络结构，难以解释网络内/间的位点变异。盲源分离与独立成分分析虽能分解FC为低秩稀疏结构，现有协变量回归框架在高维全脑网络下仍面临参数过多与结构利用不足的挑战。为此，研究人员假设低秩矩阵/张量分解下的潜变量建模可提升连接数据协调，提出SLACC：将每位被试的V×V连接矩阵分解为若干稀疏秩1区域权重外积之和，位点与协变量效应嵌入被试潜得分，既保留网络对称性，又借稀疏性压制维数灾难。

主要技术与样本

关键技术包括：①稀疏秩1潜模式分解（Y_ij=∑_l=1^La_ijlu_lu_l^?+E_ij），潜得分受协变量线性驱动（a_ijl=x_ij^?β_l+δ_{ijl），位点效应体现于位点特异均值、潜方差σil²与噪声方差?i²；②基于多元正态似然导出负对数似然；③Kruskal条件保证CP分解可辨识；④惩罚EM算法估计参数，E步求潜得分条件期望，M步更新βl、σil²、?i²及稀疏ul（L1罚），以BIC选L。实证采用ABIDE多站点rs-fMRI队列（含孤独症与对照）作外部验证。}

研究结果

1. 2.
   METHODOLOGY
   2.1 Notation and setup：定义多站点下标、V区连接矩阵Y_ij、上三角向量化y_ij=T(Y_ij)、协变量X，建立后续分解符号体系。
   2.2 Model：给出信号加噪分解式（2.1）与潜得分协变量线性模型（2.2），阐明位点效应三来源（均值通过x_ij^?β_l、潜方差σ_il²、残差方差?_i²），指出非线性协变量可扩展为样条。
   2.3 Likelihood：由模型导出y_ij~N(μ_ij,Σ_i)，μ_ij=SB^?x_ij，Σ_i=S diag(σ_i1²,…)S^?+?_i²I_p，写出归一化负对数似然（2.3）。
   2.4 Identifiability：在CP分解下证参数可辨识，列条件A.1（min(n,q,L)≥2, L< />_l‖₂=1）、A.3（首非零元正）、A.4（σ_1l²降序正）、A.5（X满秩），沿用Lock and Li (2018)结论。
   2.5 Parameter estimation：2.5.1 E-step按（2.5）算E(a_ij|y_ij)；2.5.2 M-step分块更新β_l（带L1罚回归）、σ_il²、?_i²，并对u_l用稀疏罚更新以促局部脑网络块结构。
   2.7 Choice of L：以BIC在候选L网格选优，平衡拟合与复杂度。
2. 3.
   SIMULATION：研究人员设真值L、u_l、β_l、σ_il²、?_i²及位点效应，比较SLACC与向量化ComBat类方法；结果显示SLACC在潜模式恢复、位点均值/方差校正、FC矩阵去位点偏倚上均优于基准，且高维V下参数稳定。
3. 4.
   APPLICATION TO ABIDE：在ABIDE rs-fMRI（多站点、孤独症与对照）上运行SLACC，估计位点特异σ_il²、?_i²与稀疏u_l（如默认模式、执行控制网络局域连接），校正后组间FC比较的位点方差成分下降，位点作为协变量的分类/预测中位点效应减弱，证明方法能定位并消除网络内/间人为位点变异。
4. 5.
   DISCUSSION
   研究人员讨论部分指出，SLACC相对向量化协调法之优势在于显式保持FC对称网络、将位点效应拆为潜均值—潜方差—残差方差三通路，稀疏秩1模式对应已知功能网络块结构故具可解释性；局限含线性协变量假定、单截面数据无纵向随机效应、L由BIC近似最优而非理论极小。结论翻译：研究人员提出SLACC分解框架，以稀疏秩1潜连接模式加协变量驱动潜得分刻画多站点FC，借惩罚EM与BIC实现估计；模拟与ABIDE实证表明其能在保留脑网络结构下定位校正局部位点效应，为跨中心fMRI协调提供兼具统计严谨与神经解释力的新工具。论文发表于《Biostatistics》。