2026.1.19
本文提出了一种新颖的属性信息脑连接性（ABC）模型，通过生成式潜在空间网络模型并整合脑区解剖学属性，估算群体水平脑结构连接性，量化不确定性，并成功应用于阿尔茨海默病（AD）研究以识别性别特异性神经生物标志物，显著提升了预测准确性和生物学解释性。
Title 题目
01
Establishing group-level brain structural connectivity incorporating anatomical knowledge under latent space modeling
立结合解剖学知识的潜在空间建模下的群体水平脑结构连接性
文献速递介绍
02
脑结构连接性是理解大脑解剖网络组织的关键。现有方法在估计群体水平脑连接性时常假设连接独立，采用简单均值或中位数，忽略了脑网络内部的拓扑结构和高阶依赖性，也未能有效整合脑区的解剖学属性（如皮层体积、表面积、厚度）与白质纤维束之间的关联。这导致现有模型在量化不确定性和评估群体差异的偶然性方面存在不足。为了解决这些挑战，本文提出了属性信息脑连接性（ABC）模型，该模型借鉴生成式潜在空间网络模型，旨在同时估计群体水平连接性并纳入脑区的解剖学属性，实现两种信息模态的相互调节和互惠互利，以提高估计的精度和可解释性。ABC模型的主要贡献在于提供可解释的潜在空间表示、整合解剖学知识并揭示其与连接性的协变关系，以及量化估计不确定性以进行统计推断。
Aastract摘要
02
脑结构连接性通过扩散MRI推断的脑区白质纤维束，独特地描述了大脑的解剖组织。如何对群体水平连接结构进行总结和统计推断是一个基本问题，例如在不同性别或疾病队列中。现有分析通常通过个体脑连接矩阵的简单逐项样本均值或中位数来总结群体水平脑连接性，但这忽略了结构连接间的关联和脑网络的拓扑特性。本文提出了一种基于潜在空间的生成式网络模型（ABC模型）来估计群体水平脑连接性，并融入脑区解剖学信息作为节点属性，以增强估计的合理性和生物学解释性。ABC模型相比现有方法，具有可解释的群体水平连接潜在空间表示、整合节点解剖学知识并测试其与连接性的协变关系、量化不确定性并评估估计的群体水平效应与偶然性对比的可能性等优势。研究者开发了一种新的贝叶斯MCMC算法来估计模型。通过广泛模拟评估了模型的性能，并将其应用于研究阿尔茨海默病（AD）受试者和健康对照中按性别分层的脑结构连接性，结合节点解剖学属性（体积、厚度和面积），该方法在样本外结构连接性预测上表现出卓越性能，并识别出有意义的AD性别特异性网络神经生物标志物。
Method 方法
03
研究使用了阿尔茨海默病神经影像学倡议（ADNI）数据库中的T1加权结构MRI和弥散张量成像（DTI）数据，共173名受试者（99名男性，74名女性），平均年龄72.9岁。DTI数据经过降噪、运动校正和畸变校正等标准预处理，并使用FACT算法进行概率性白质纤维束追踪。结构脑网络通过纤维密度构建，即ROIs之间纤维数量除以其平均表面积。皮层ROI属性（体积、表面积、平均厚度及厚度标准差）来自FreeSurfer 5.1横断面研究数据库。ABC模型被设计为联合建模框架，同时处理结构连接矩阵和解剖学属性矩阵。模型假设个体连接性和属性矩阵由共享的潜在变量Z和Θ生成。连接性通过潜在变量的向量积和误差项建模，属性通过平均属性值θ和误差项建模。Z和Θ通过一个联合高斯分布相关联，其协方差矩阵Σ捕获了连接性和节点属性之间的关联。模型采用贝叶斯马尔可夫链蒙特卡罗（MCMC）算法进行后验推断，通过迭代模拟参数的完全条件分布来估计模型。
Discussion讨论
04
本文提出的ABC模型提供了一种估算群体水平脑连接性并整合节点属性的有效策略。该模型通过生成式潜在空间网络方法，揭示了可解释的群体水平结构连接性潜在空间结构，并量化了估计的不确定性。模拟和ADNI数据的应用验证了其在理解和比较群体水平脑结构网络、其与解剖结构相互作用以及预测新受试者连接特征方面的优越性能。ABC模型在预测任务中优于现有方法，尤其在信号噪声比低和样本量小的情况下，显示出将信号与噪声分离的能力，避免了传统平均方法的局限性。未来的研究方向包括：将其应用于青少年脑认知发展（ABCD）研究，探索认知发展阶段的脑区变化；扩展到功能连接性研究，整合PET成像等功能属性；以及将分析框架扩展到动态功能连接性建模和离散（二元或计数）连接指标。
Conclusion结论
05
本文成功开发了属性信息脑连接性（ABC）模型，该模型通过生成式潜在空间网络模型整合了脑区解剖学属性，实现了对群体水平脑结构连接性的准确估计和深入解释。模型在模拟和实际ADNI数据中均展现出卓越的预测能力，有效量化了不确定性，并成功识别了AD的性别特异性神经生物标志物。ABC模型为神经影像学研究提供了更具生物学合理性和可解释性的分析工具，对于理解神经退行性疾病的病理机制具有重要研究价值。
Results结果
06
模拟研究表明，ABC模型在预测新受试者脑连接性方面优于传统平均方法（Average）和多层随机块模型（MSBM），尤其在信号噪声比低和样本量小的情况下优势更明显。加入节点属性信息对连接性预测有益，且关联性越强，益处越大。对ADNI数据的应用显示，通过验证集选择的连接维度为K=5。ABC模型拟合结果满意。模型识别出可解释的潜在连接维度，前两个维度区分左右半球，其他维度区分额叶、顶叶、颞叶和枕叶区域，以及扣带皮层区域的独特连接性。在群体水平连接性差异分析中，AD男性受试者在枕叶某些脑区表现出连接性增加，而AD女性受试者在顶叶某些脑区表现出连接性增加，揭示了AD神经生物标志物的性别差异。例如，在初级视皮层区域，AD男性纤维密度高于健康男性和AD女性。在顶叶后部，健康女性纤维密度最高，其次是AD女性、健康男性和AD男性，且两性均随AD病理发生连接性下降。在连接性与属性的依赖性分析中，皮层体积与结构连接性的第四个潜在维度之间存在显著相关性，健康女性相关性相对更强。
Figure 图
07
图1.ABC流程的示意图。以结构连接矩阵 {X1,X2,...,XN} 和体积测量 {Y1,Y2,...,YN} 作为输入，我们提出了一个联合潜在变量模型，其中我们允许潜在连接变量Z和潜在行为变量Θ在一个生成式贝叶斯框架下，通过共享协方差矩阵Σ进行协变。通过ABC模型，我们同时估计了受体积属性影响的群体水平结构连接性，识别了健康人群和患者人群之间的影像生物标志物，并推断了结构连接性和属性之间的依赖关系。
图2.当(a) V=20和(b) V=70时，ABC与BC之间相关预测能力的差异。正值表示ABC以更高的预测与观测脑连接性相关性优于BC。负值表示BC以更高的预测与观测脑连接性相关性优于ABC。
图3.真实维度为2（蓝色）和5（黄色）时，100个随机样本中独立数据中估计和预测连接性之间的相关性。
图4.五种估计的潜在连接维度，分别从(a) 右半球侧视图，(b) 大脑上视图，和(c) 左半球侧视图显示。脑区根据潜在维度的值进行着色，红色表示正值，绿色表示负值。
图5.结构连接性在(a)维度1和2之间，(b)维度3和5之间，以及(c)维度1和4之间的潜在空间表示。潜在空间中的每个点代表一个脑区。颜色区分左半球（黑色）和右半球（红色）。
图6.健康男性受试者、AD男性受试者和AD女性受试者的属性信息脑连接性估计。(a) 健康男性受试者，(b) AD男性受试者，和(c) AD女性受试者。
图7.AD表型中基于性别的结构连接性差异，分别针对 (a) 距状裂旁和楔前叶，(b) 舌回和楔叶，(c) 舌回和距状裂旁，以及 (d) 距状裂旁和楔叶之间的区域。
图8.AD表型中基于性别的结构连接性差异，分别针对 (a) 顶上小叶和缘上回，(b) 顶下小叶和缘上回，以及 (c) 顶下小叶和顶上小叶之间的区域。