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.
Det är nu klart att villkoret relevant information kan finnas inom distribuerade mönster av funktionell magnetisk resonanstomografi (fMRI) hjärnaktivitet, även för förhållanden med liknande nivåer av univariat aktivering. Multi-voxel mönster (MVP) analys har använts för att avkoda denna information med stor framgång. FMRI utredare också ofta försöker förstå hur hjärnan regioner samverkar i sammankopplade nät, och använder funktionell anslutning (FC) för att identifiera områden som har korrelerade svar över tiden. Precis som univariata analyser kan vara okänslig för informationen i MVP, får FC inte helt karakterisera hjärnans nätverk som hanterar förhållanden med karakteristiska MVP signaturer. Den metod som beskrivs här, informativt anslutning (IC), kan identifiera områden med korrelerade förändringar i MVP-discriminability över tid, avslöjar anslutning som inte är tillgängliga för FC. Metoden kan vara undersökande, med hjälp av strålkastare för att identifiera frö-connsad områden, eller planeras, mellan förvalda områden av intresse. Resultaten kan belysa nätverk av regioner som behandlar MVP-relaterade förhållanden kan uppdelning MVPA sökarljus kartor i olika nätverk, eller kan jämföras över uppgifter och patientgrupper.
Målet med den analysmetod som beskrivs här är att mäta konnektivitet mellan hjärnregioner som baseras på variationer i deras multi-voxel informationen. Framsteg inom funktionell magnetisk resonanstomografi (fMRI) analystekniker har visat att en stor mängd information som kan rymmas inom blod-syresättning-nivå-beroende (BOLD) aktivitetsmönster som är fördelade över flera voxlar 1-3. En uppsättning tekniker som är känsliga för multivariat uppgifter – så kallade multi-voxel mönsteranalys (MVPA) – har använts för att visa att villkoren kan ha urskiljbara MVP trots oskiljbara univariata svar 1,2,4. Standard analyser, som jämför univariata svar, kan vara okänsligt för denna multi-voxel informationen.
Flera områden i hjärnan är engagerade när människor behandlar stimuli och utföra kognitiva operationer. Funktionell anslutning (FC) är en metod som vanligen användes för att undersökagate sådana funktionella nätverk 5,6. I sin mest grundläggande form, FC kvantifierar samtidig aktivering, eller synkront, mellan olika voxlar eller regioner. FC har använts för att identifiera funktionellt anslutna hjärnnätverk med stor framgång. För många regioner och villkor, dock univariata svaren inte speglar all tillgänglig information inom BOLD aktivitet. FC tekniker som spårar dynamiskt föränderliga univariata svarsnivåer kan sakna känslighet för vanliga svängningar i flera voxel informationen. Den analysmetod som presenteras här, informativt uppkoppling (IC, först beskrivs i en nyligen papper 7), överbryggar en klyfta mellan MVPA och FC, genom att mäta anslutningsmöjligheter med ett mått som är känslig för flera voxel information över tiden. Medan FC spårar dynamiskt föränderliga univariat aktivering, spår IC dynamiskt föränderliga MVP discriminability – ett mått på hur väl en MVP verkliga tillstånd kan skiljas från (felaktiga) alternativ. Viktigt i than samma sätt som olika regioner kan visa liknande nivåer av univariata svar på ett tillstånd trots att utföra olika beräkningar (t.ex., visuell bearbetning eller åtgärd planering när en person ser konstgjorda föremål), kan distinkta regioner också har liknande (och synkroniserade) nivåer av MVP discriminability medan de behandlar förhållandena annorlunda. En färsk undersökning visade att IC kan avslöja interregionala anslutning som inte är detekterbar med en standard FC strategi 7. Utredarna kan därför använda IC att sondera interaktioner mellan hjärnregioner som deltagarna svarar på villkor eller stimuli som har karakteristiska distribuerade mönster. IC skiljer sig från flera nya anslutnings program som undersökts fluktuationer i univariat aktivering i förhållande till klassificeringsresultat 8, 9. Till skillnad från dessa metoder, upptäcker IC synkron fler voxel mönster discriminability mellan regionerna.
Informations anslutning har MVPA känslighet för distribuerad mönsterinformation och ger en möjlighet att studera mellan-region interaktioner genom en metod anslutning. MVPA och standard univariata analyser kan var och avslöja medverkan av olika regioner, ibland med liten överlappning mellan deras resultat 1 3. Som kan förväntas för en metod som bygger på dessa analys metoder, IC och FC ger även kompletterande resultat 7. Beslutet om att anställa IC i slutändan kommer att bero på de villkor som utreds och de teoretiska frågor som ställts. Design överväganden som påverkar huruvida MVPA bedrivs på ett dataset kommer också att påverka om IC används. Studier designade med IC uttryckligen i åtanke kommer att vilja följa rekommendationer för MVPA 1 4, samtidigt se till att försöksuppgifter nivå kan extraheras från hela Scans tidsförloppet.
Vid prövningenoch rapportering IC resultat är det viktigt att strålkastare som överlappar med fröet avlägsnas, för att undvika cirkularitet. Dessutom, om direkt jämföra IC och FC resultat, rekommenderas att också jämföra en FC-analys baserad på medel aktivering av strålkastare, snarare än bara voxlar. Denna ytterligare analys kan se till att eventuella skillnader mellan resultat är inte på grund av skillnader i nivåerna av signal-till-brus i strålkastare kontra voxlar.
Det förfarande som beskrivs här är främst inriktat på en explorativ analys anställa strålkastare. Det är värt att notera att genom att ersätta strålkastare med områden av intresse, kan IC även jämföra regioner som väljs en tidigare jag. Den nuvarande discriminability metriska – att jämföra en MVP korrelation för den "sanna" tillståndet till korrelationen för maximal alternativa skick – är också modifierbar. Många maskininlärning klassificerare har förutsägelse vikter för difftekniker när klasser, som lätt skulle kunna ersätta korrelationsjämförelser utförs här (t.ex. för att spåra "förtroende" av en klassificerare över tiden). IC har en mängd möjliga användningsområden. Förutom att vara en primär analys för att undersöka informationsnätverk, kan IC vara en sekundär uppföljning analys till en MVPA sökarljus. MVPA sökarljus kartor är värdefulla för att förstå vilka regioner kan skilja mellan olika förhållanden, men är inte typiskt delas upp i olika nätverk. IC-strategi kan hjälpa till här, genom att avslöja som sätter av strålkastare har synkron discriminability. Slutligen kan kartor IC från olika uppgifter jämföras för att förstå uppgiften nätverk, och patienterna kan jämföras med kontroller för att bättre förstå hur multi voxel differenser 1 5 manifesteras på nätverksnivå.
The authors have nothing to disclose.
Vi tackar Jim Haxby och kollegor för att göra sina uppgifter tillgängliga för ytterligare analyser. Marc N. Coutanche finansierades av ett stipendium från Howard Hughes Medical Institute. Detta arbete stöddes av NIH bidrag R0I-DC009209 och R01-EY02171701 delas Sharon L. Thompson-Schill.