BACON-大脑激活和改变的反向推理工具

期刊影响力：

Journal Name: Human Brain Mapping

Journal Impact: 中科院2区，4.42分

1、背景：

关于功能性或结构性的MRI数据，前向推断试图确定哪些区域涉及到心理功能或大脑疾病。换句话说，前向推断的目的是回答 "哪些是参与这种心理过程的大脑区域？"或 "哪些是在特定病理情况下改变的大脑区域？"然而，前向推理的主要缺点是缺乏特异性，因为它倾向于建议涉及对所调查的变量不特定的区域。例如，一个大脑区域可以在不同的过程中被激活，导致大量的功能重叠；同样，一个神经元亚群可以被各种脑部疾病损坏。

因此，需要一种不同的方法来确定与大脑中的激活或改变模式相关的特定认知功能或病理，特别是要回答诸如以下问题。"（一种模式）脑区的激活在多大程度上是痛觉所特有的？"或"（一种模式）脑区的改变在多大程度上是某种病症所特有的？"。这正是基于反向推理的分析的目的，它在理论上建立在贝叶斯定理上。

迄今为止，唯一可用于计算特异性估计的方法（即关联测试）是Neurosynth。这个平台尽管很有价值，但在其结构方面有一些局限性，而且对数据的查询操作的可能性太有限。此外，Neurosynth存储了fMRI结果，但缺乏结构数据，而这些数据对于研究大脑改变的模式至关重要。进一步的限制涉及方法学和统计学问题。关联测试可以直接通过Neurosynth界面进行，但适当的反向推理需要对Neurosynth的 "核心工具 "进行编程。更重要的是，Neurosynth是基于频率主义方法，并继承了其局限性。频率主义方法除了需要大量的数据来进行一致的推理外，还不产生假设有效性的概率，而仅仅是无效假设的拒绝标准，这可能导致错误的解释。最后，用于关联检验的核是一个具有固定半径的球形核，因此，所得到的图谱显示每个体素在r毫米（mm）范围内的峰值数量。

为了给神经影像学领域提供一个良好的反向推断方法，我们在本研究中提出了一个新的计算工具，称为BACON（Bayes fACtor mOdeliNg），它可以对功能和结构神经影像学数据进行反向推断。BACON基于贝叶斯统计学，特别是贝叶斯因子（BF），并使用由GingerALE软件包生成的激活似然估计（ALE）衍生图。

2、理论：

2.1反向推理和Bayer’s factor定义，见公式的图解；

H0 确认特定状态的发生（例如，精神分裂症等病理状况，或疼痛刺激的处理等心理功能），H1 确认该状态不存在（即，H0 的否定）。让 D 是大脑区域或体素中激活（或结构改变）的度量。在给定测量值（D）的情况下，实际处于特定状态（即H0为真）的概率是多少？

BF01的定义非常重要。BF01 给出了两个假设的证据程度：如果 BF01 大于 1，则证据支持 H0；如果BF01小于1，则证据偏向H1。

图1: 反向推理和Bayer’s factor定义图解

图中最后一个数学表达式是最重要的，这个表达式的优点是我们可以通过计算BF直接得到一个后验概率。这允许选择我们想要验证我们的假设的概率水平。

2.1使用 激活似然估计（ALE） 派生图计算 BF；

对于 BF 的计算，我们使用了通过 ALE 计算获得的图谱。在这种方法中，每个实验的每个关注点都由 ALE 建模为高斯概率分布：

其中 d 表示体素与考虑关注点之间的欧几里德距离，σ 表示空间不确定性。随后，我们为每个实验确定了一个模型变化（MA）图，作为实验每个关注点的高斯概率分布的联合。这些 MA 映射的联合提供了最终的 ALE 映射。ALE 激活（或改变）的重要性随后针对经验零分布进行了测试，从而产生了一个 p 值以获取算法的详细描述。由于 ALE 创建了峰值激活的局部丰度的平滑估计并且等效于密度估计，出于我们的目的，我们对该密度进行了归一化以获得概率函数。

3、软件介绍：

BACON是Mango viewer的一个插件，可以在计算BF的基础上计算反向推理。它是用Python编码的，可以用Mango的脚本管理器安装和执行。该插件旨在与BrainMap项目开发的其他软件包和工具一起使用。

BACON需要几个ALE衍生的地图作为输入。最直接的方法是通过软件Sleuth（http:// www.brainmap.org/sleuth/）搜索BrainMap数据库中的数据，然后用GingerALE（www.brainmap.org/ale；见图2）进行ALE。使用不同的数据库进行广泛的临时搜索也是可能的。最重要的是，如果对精神分裂症的基因异常感兴趣，第一个查询必须包含 "是精神分裂症 "的标准，而第二个查询必须包含 "不是精神分裂症"（见插件测试部分和支持信息中的查询）。因此，第一张图谱将是在代表感兴趣领域的数据上计算的ALE的结果。第二张图谱将是第一张图谱的负数（即除了感兴趣的领域之外的一切）。重要的是，在上传过程中不要颠倒图谱的顺序，因为这将影响计算并产生无效的结果。值得注意的是，这两张ALE图谱必须是无阈值的，并且是nifty格式。输出的地图在每个体素中都包含如前所述获得的后验概率值，并可保存为浮点32位图像（BACON手册中提供了插件使用的详细说明）。

图2: BACON插件使用流程说明

4、临床应用：

为了评估我们插件的功能，我们对反向推理进行了两种不同的分析：第一种是关于疼痛任务的 fMRI 数据，第二种是关于精神分裂症受试者和健康受试者之间比较的 VBM 数据。对于前者，为了拥有两个必需的数据集，我们在功能性BrainMap数据库部门进行了以下两个查询（2018年4月）：

查询 BrainMap 的 VBM 部分以分析精神分裂症 (SCZ)。搜索算法构造如下：

有关选择策略的概述，另请参阅支持信息方法和图S1。有关所选 fMRI 实验的元数据的详细信息可在表 S1 和 S3 中查看。有关 VBM 集元数据的更多信息，请参见表 S2。

从检索到的功能数据开始，我们使用GingerALE（v.2.3.6，http://brainmap.org）中实现的随机效应算法，计算了 "疼痛 "和 "无疼痛 "条件下的ALE。随后，我们用BACON确定了后验概率（也见辅助信息材料和图3）。对精神分裂症的数据也重复了同样的程序。为了用外部工具验证在 "疼痛 "领域获得的图谱中具有高值的体素是否对该条件更具有特异性，我们采用了Mango的行为分析工具（http://ric.uthscsa.edu/mango/plugin_behavioralanalysis.html）。值得注意的是，这种方法依赖于它所应用的图谱的空间范围。出于这个原因，在没有具体的截止值的情况下，有可能对一个以上的阈值进行重复分析。在本例中，通过BACON获得的后发概率图中每个有数值的体素都是有意义的。因此，疼痛领域的输出图已经在0.7和0.8的阈值，以测试更极端（和具体）的体素。最后，我们在Neurosynth上提供的 "疼痛 "一词的关联图上重复了行为分析，以便比较两种方法得到的结果。关于精神分裂症的结构数据，我们通过Mango（http://ric.uthscsa.edu/mango/plugin_diseaseanalysis.html）中的疾病分析插件测试了相关的概率。由于上面解释的原因，在这种情况下也使用了同样的两个阈值。

图3: 在p（PAIN｜激活）= 0.7（70%）和p（PAIN｜激活）=0.8（80%）时，PAIN的特异性后向图。

图4: 在p（PAIN｜激活）= 0.7（70%）和p（PAIN｜激活）=0.8（80%）时，精神分裂症患者的特异性后向图。

5、结论：

总之，我们提出了一种研究元分析数据的替代方法，其最终结果是后验概率图，允许以简单直接的方式进行反向推理。BACON的使用可以显着提高我们对大脑的理解，无论是在大脑的健康功能方面还是在病理状况发展过程中的修改方面。