Data Integration with Fusion Searchlight: Classifying Brain States from Resting-state fMRI

📄 arXiv: 2412.10161v2 📥 PDF

作者: Simon Wein, Marco Riebel, Lisa-Marie Brunner, Caroline Nothdurfter, Rainer Rupprecht, Jens V. Schwarzbach

分类: q-bio.NC, cs.LG

发布日期: 2024-12-13 (更新: 2025-05-12)

💡 一句话要点

提出Fusion Searchlight框架，融合多指标提升静息态fMRI脑状态分类精度

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 静息态fMRI 数据融合 Searchlight分析 脑状态分类 可解释AI

📋 核心要点

  1. 现有静息态fMRI分析通常独立处理多个指标，忽略了它们之间的关联，限制了分析的敏感性。
  2. 论文提出Fusion Searchlight (FuSL)框架，通过融合多个静息态fMRI指标的互补信息来提升分析性能。
  3. 实验表明，FuSL框架提高了药物治疗预测的准确性，并能识别更多受药物影响的大脑区域。

📝 摘要（中文）

静息态fMRI能够捕捉到大脑自发的神经活动，其特征是复杂的时空动态。多种指标，如局部和全局脑连接以及低频振幅波动，可以量化这些动态的不同方面。然而，这些指标通常被独立分析，忽略了它们之间的相互关系，从而可能限制了分析的敏感性。本文介绍了一种名为Fusion Searchlight (FuSL)的框架，该框架集成了来自多个静息态fMRI指标的互补信息。实验证明，结合这些指标可以提高基于rs-fMRI数据进行药物治疗预测的准确性，从而能够识别受阿普唑仑镇静影响的其他大脑区域。此外，利用可解释的AI来描绘每个指标的不同贡献，从而进一步提高了searchlight分析的空间特异性。该框架还可以适用于跨成像模式或实验条件的信息组合，为神经影像学中的数据融合提供了一种通用且可解释的工具。

🔬 方法详解

问题定义：静息态fMRI数据包含多种反映大脑活动的指标，但现有方法通常孤立地分析这些指标，忽略了它们之间的潜在关联，导致信息利用不充分，分析敏感性受限。因此，如何有效地融合来自不同指标的信息，以更全面地理解大脑活动，是本文要解决的核心问题。

核心思路：论文的核心思路是通过一种searchlight方法，在局部脑区范围内融合多个静息态fMRI指标的信息。这种方法允许模型学习不同指标之间的复杂关系，从而更准确地识别与特定脑状态相关的模式。通过融合互补信息，提高分类或预测任务的准确性和鲁棒性。

技术框架：FuSL框架主要包含以下几个阶段：1) 数据预处理：对静息态fMRI数据进行标准预处理，包括头动校正、空间标准化等。2) 特征提取：提取多个静息态fMRI指标，如局部一致性、功能连接等。3) Searchlight分析：以每个体素为中心，定义一个球形邻域（searchlight）。4) 数据融合：在每个searchlight内，将多个指标的数据进行融合，例如通过连接或加权平均。5) 模型训练：使用融合后的数据训练分类或回归模型，例如支持向量机（SVM）或线性回归。6) 结果评估：评估模型在预测或分类任务上的性能，并绘制性能图。

关键创新：FuSL框架的关键创新在于其数据融合策略，它允许灵活地组合来自不同静息态fMRI指标的信息。与传统方法相比，FuSL能够捕捉指标之间的相互作用，从而提高分析的敏感性和特异性。此外，结合可解释AI方法，能够揭示每个指标对最终结果的贡献，提高模型的可解释性。

关键设计：FuSL框架的关键设计包括：1) Searchlight半径的选择：需要根据具体任务和数据特点选择合适的半径，以平衡局部性和全局性。2) 数据融合方法：可以选择不同的融合方法，如简单连接、加权平均或更复杂的机器学习模型。3) 模型选择：根据任务类型选择合适的分类或回归模型。4) 可解释AI方法：可以使用LIME或SHAP等方法来解释每个指标的贡献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文实验结果表明，FuSL框架在预测阿普唑仑镇静效果方面优于传统方法，能够更准确地识别受药物影响的大脑区域。通过融合多个静息态fMRI指标，预测准确率显著提升。此外，可解释AI分析揭示了不同指标对预测结果的贡献，提高了分析的空间特异性。

🎯 应用场景

该研究成果可应用于多种神经精神疾病的诊断和治疗，例如抑郁症、精神分裂症和阿尔茨海默病。通过融合多模态神经影像数据，可以更准确地识别疾病相关的脑部生物标志物，从而为个性化治疗提供依据。此外，该框架还可用于药物研发，评估药物对大脑活动的影响，加速新药的开发过程。

📄 摘要（原文）

Resting-state fMRI captures spontaneous neural activity characterized by complex spatiotemporal dynamics. Various metrics, such as local and global brain connectivity and low-frequency amplitude fluctuations, quantify distinct aspects of these dynamics. However, these measures are typically analyzed independently, overlooking their interrelations and potentially limiting analytical sensitivity. Here, we introduce the Fusion Searchlight (FuSL) framework, which integrates complementary information from multiple resting-state fMRI metrics. We demonstrate that combining these metrics enhances the accuracy of pharmacological treatment prediction from rs-fMRI data, enabling the identification of additional brain regions affected by sedation with alprazolam. Furthermore, we leverage explainable AI to delineate the differential contributions of each metric, which additionally improves spatial specificity of the searchlight analysis. Moreover, this framework can be adapted to combine information across imaging modalities or experimental conditions, providing a versatile and interpretable tool for data fusion in neuroimaging.