Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.
Il est maintenant apprécié que l'information de l'état-pertinente peut être présent dans les modèles distribués de l'imagerie par résonance magnétique fonctionnelle (IRMf) l'activité du cerveau, même pour les conditions avec des niveaux similaires d'activation univariée. Modèle multi-voxel (MVP) analyse a été utilisée pour décoder cette information avec beaucoup de succès. Enquêteurs IRMf aussi cherchent souvent à comprendre comment les régions du cerveau interagissent en réseaux interconnectés, et utilisent la connectivité fonctionnelle (FC) pour identifier les régions qui ont une corrélation réponses au fil du temps. Tout comme analyse univariée peuvent être insensibles à l'information dans les MVP, FC peut pas caractériser pleinement les réseaux cérébraux qui traitent des conditions avec des signatures MVP caractéristiques. La méthode décrite ici, la connectivité d'information (IC), permet d'identifier les régions et les variations corrélées à MVP-discriminabilité à travers le temps, révélant que la connectivité n'est pas accessible aux FC. La méthode peut être exploratoire, en utilisant des projecteurs pour identifier les semences connzones ète, ou prévues, entre les régions d'intérêt pré-sélectionnés. Les résultats peuvent élucider les réseaux de régions qui traitent des conditions MVP liées, panne peut cartes de projecteurs MVPA dans des réseaux distincts, ou peuvent être comparés entre les tâches et les groupes de patients.
L'objectif de la méthode d'analyse décrite ici est de mesurer la connectivité entre les régions du cerveau basé sur les fluctuations de leurs informations multi-voxel. Les progrès de l'imagerie par résonance magnétique fonctionnelle (IRMf) des techniques d'analyse ont révélé qu'une grande quantité d'informations peut être contenue à l'intérieur (en gras) motifs niveau sang-oxygénation dépendantes activité qui sont distribués sur plusieurs voxels 1-3. Un ensemble de techniques qui sont sensibles à l'information multivariée – connus sous le nom d'analyse de modèle multi-voxel (APMV) – a été utilisé pour montrer que les conditions peuvent avoir MVP distinctes malgré réponses distinguer une variable 1,2,4. Les analyses standard, qui comparent les réponses à une variable, peuvent être insensibles à cette information multi-voxel.
Plusieurs régions du cerveau sont engagés quand les humains traitent les stimuli et effectuer des opérations cognitives. Connectivité fonctionnelle (FC) est une méthode couramment utilisée pour enquêterporte ces réseaux fonctionnels 5,6. Dans sa forme la plus basique, le FC quantifie co-activation ou la synchronisation entre différents voxels ou régions. FC a été utilisé pour identifier les réseaux du cerveau fonctionnellement connectés avec beaucoup de succès. Pour de nombreuses régions et les conditions, cependant, les réponses à une variable ne reflètent pas toutes les informations disponibles dans l'activité BOLD. Techniques FC qui suivent l'évolution dynamique des niveaux de réponse à une variable peuvent manquer de sensibilité aux fluctuations communes en matière d'information multi-voxel. La méthode d'analyse présentée ici, la connectivité d'information (IC; d'abord décrit dans un article récent 7), comble une lacune entre APMV et FC, en mesurant la connectivité avec une métrique qui est sensible à l'information multi-voxel dans le temps. Tandis que le FC écoutes changeant dynamiquement activation univariée, IC suivi de l'évolution dynamique MVP discriminabilité – une mesure de la façon dont la situation réelle d'un MVP peut être distinguée de solutions de rechange (erronés). Fait important, dans til même manière que les différentes régions peut montrer des niveaux similaires de réponses à une variable à un état malgré effectuer des calculs distincts (par exemple, traitement visuel ou de la planification de l'action quand une personne regarde des objets artificiels), des régions distinctes peuvent également avoir des niveaux de MVP similaires (et synchronisés) discriminabilité alors qu'ils traitent des conditions différemment. Une enquête récente a démontré que IC peut révéler la connectivité inter-régional qui n'est pas détectable avec une approche standard FC 7. Les enquêteurs peuvent donc utiliser IC pour sonder les interactions entre les régions du cerveau que les participants répondent à des conditions ou à des stimuli qui ont des motifs répartis caractéristiques. IC est distincte de plusieurs applications de connectivité récentes qui ont examiné les fluctuations de l'activation univariée par rapport aux résultats de classification 8, 9. Contrairement à ces approches, IC détecte synchrone multi-voxel modèle discriminabilité entre les régions.
Connectivité d'information a la sensibilité de APMV à l'information de modèle distribué, et donne une capacité à étudier les interactions entre-région à travers une approche de connectivité. APMV et analyses unidimensionnelles standard peuvent chaque révéler l'implication des régions distinctes, parfois avec peu de chevauchement entre les résultats 1 3. Comme prévu pour une méthode qui s'appuie sur ces approches d'analyse, IC et le FC donnent également des résultats complémentaires 7. La décision de savoir s'il faut employer IC dépendra en définitive les conditions visées par l'enquête et les questions théoriques étant posées. Les considérations de conception qui ont un impact si APMV est effectuée sur un ensemble de données auront également une incidence si IC est utilisé. Études visant à IC explicitement à l'esprit voudront suivre les recommandations pour APMV 1 4, tout en veillant à ce que les données au niveau des procès peuvent être extraits à travers la timecourse de l'analyse.
Lors de l'examenet présenter les résultats d'IC, il est important que les projecteurs se chevauchant avec la graine sont enlevées, afin d'éviter la circularité. En outre, si l'on compare directement IC et FC résultats, il est recommandé de comparer en outre une analyse de la FC sur la base de l'activation du moyen de projecteurs, plutôt que simplement des voxels. Cette analyse supplémentaire peut faire en sorte que les différences entre les résultats ne sont pas à cause des différences dans les niveaux de signal-bruit dans les projecteurs par rapport voxels.
La procédure décrite ici se concentre principalement sur une analyse exploratoire utilisant des projecteurs. Il est à noter que par le remplacement des projecteurs avec des régions d'intérêt, IC peut également comparer les régions qui sont sélectionnés avant un i. La mesure de discriminabilité actuelle – comparer la corrélation de MVP pour la «vraie» état de la corrélation pour la condition maximale suppléant – est également modifiable. Beaucoup de classificateurs d'apprentissage automatique ont des poids de prévision pour diffclasses de érents, ce qui pourrait facilement remplacer les comparaisons de corrélation effectuées ici (par exemple, pour suivre la «confiance» d'un classificateur au fil du temps). IC a une variété d'utilisations potentielles. En plus d'être une analyse primaire d'enquêter sur les réseaux d'information, IC peut être une analyse de suivi secondaire à un projecteur APMV. Cartes de projecteurs MVPA sont précieux pour comprendre quelles régions peuvent distinguer des conditions différentes, mais ne sont généralement pas ventilées dans les différents réseaux. L'approche IC peut aider ici, en révélant qui fixe des projecteurs ont discriminabilité synchrone. Enfin, les cartes IC de tâches différentes peuvent être comparés afin de comprendre les réseaux de tâches, et les patients peuvent être comparés à des contrôles afin de mieux comprendre comment plusieurs voxels des différences de 1 à 5 se manifestent au niveau du réseau.
The authors have nothing to disclose.
Nous remercions Jim Haxby et ses collègues pour rendre leurs données disponibles pour d'autres analyses. Marc N. Coutanche a été financée par une bourse de l'Institut médical Howard Hughes. Ce travail a été financé par des subventions du NIH R0I-DC009209 et R01-EY02171701 attribué à Sharon L. Thompson-Schill.