心理所開發神經影像數據挖掘的群組獨立成分分析方法

　　人腦是高度復雜的時空動力系統。基于神經影像數據，獨立成分分析（ICA）作為一種數據驅動算法被廣泛應用于探索人腦系統的時空特性。

　　在分析多被試數據時，現有ICA方法通常假設組內所有被試具有完全相同的腦活動成分。但是，當被試的腦活動模式的一致性不確定時，這一假設不盡合理。例如，在探索心理與精神障礙的腦機制時，盡管我們可以將具有相同臨床（癥狀學）診斷的病人作為一組，但是我們并不確定他們的大腦功能活動模式是否一致。

　　中國科學院心理研究所行為科學重點實驗室人腦功能連接組及其發展課題組的楊志副研究員基于ICA的數據驅動本質，強調指出：在應用ICA方法分析多被試數據時應避免這一“被試腦活動同質性”假設[1]。為解決此問題，他與同事基于前期開發的RAICAR[2]方法，繼而發展出在多被試神經影像數據中挖掘被試分組（亞組）的群組ICA方法：gRAICAR[1]。模擬數據顯示：gRAICAR可以精確地揭示腦功能網絡的個體間差異。進一步地，基于實際靜息態功能磁共振成像數據，gRAICAR不僅能夠估計每個腦功能網絡的被試間的一致性，揭示被試間在腦功能上的相似關系，而且可以據此探測具有較高一致性的亞組。gRAICAR依據一個主要由楔前葉和后扣帶皮層構成的腦功能網絡，將被試分為兩組（見圖1）。經驗證，gRAICAR的分組與被試年齡特征高度一致。這一發現與本課題組最近一項關于功能連接組中心度的研究發現一致[3]；有趣的是，gRAICAR同時檢測到了一個“默認網絡”成分，但是其在被試間表現出了高度的一致性；這些結果從側面反映 “默認網絡”功能復雜性的同時，突出地顯示了gRAICAR方法的巨大優勢。目前，這一現象正在被進一步深入研究。

　　通過擯棄“被試腦活動同質性”假設，gRAICAR成為完全的數據驅動方法，為科研人員基于數據產生進一步的科學假設提供參考，將為深入挖掘多被試神經影像數據，為建立與心理精神相關腦功能疾病的神經影像標志提供有力工具，為“開放式神經科學”提供方法學支撐。

　　目前，本項研究已經在線發表于神經影像方法學領銜期刊NeuroImage；同時，作為“連接組計算系統”（http://lfcd.psych.ac.cn/ccs.html）的功能之一，該方法的軟件包可在人腦功能連接組及其發展實驗室網站下載。本研究獲得國家自然科學基金（30900366,81171409,30973164,30670674）、中科院心理研究所青年科研基金（O9CX012001）和特聘研究員啟動基金（Y0CX492S03）、國家重大基礎研究計劃（973）項目（2007CB512300）和NIMH（RO1B002009）的支持。

參考文獻

[1] Yang Z*, Zuo XN, Wang P, Li Z, LaConte SM, Bandettini PA, Hu XP (2012). Generalized RAICAR: Discover homogeneous subject (sub)groups by reproducibility of their intrinsic connectivity networks. Neuroimage. In Press.(http://dx.doi.org/10.1016/j.neuroimage.2012.06.060)

[2] Yang Z, LaConte S, Weng X, Hu XP* (2008). Ranking and averaging independent component analysis by reproducibility (RAICAR). Human Brain Mapping 29(6): 711-725.

[3]. Zuo XN*, Ehmke R, Maarten M,Imperati D,Castellanos FX, Sporns O, Milham MP (2012). Network centrality in the human functional connectome. Cerebral Cortex 22(8):1862-1875.

圖1. gRAICAR算法在靜息態功能磁共振數據中發現由后扣帶回和楔前葉皮層組成的腦功能網絡（如B所示）。該功能網絡只在部分被試中具有高度一致性（如A所示，可復制性矩陣所示）。gRAICAR基于非參數檢驗方法據此檢測出被試亞組（如C、D所示），并揭示所有被試間的相似關系（如E所示）。經分析后驗證，gRAICAR發現的被試分組與被試年齡特征高度一致（見A標明的被試年齡、E標明的被試年齡分組）。