具有空间交互作用的贝叶斯图像标量回归模型在阿尔茨海默病研究中的应用

《Biometrics》：Bayesian scalar-on-image regression with spatial interactions for modeling Alzheimer’s disease

针对神经退行性疾病中认知衰退预测模型未考虑空间异质性及多因素交互的问题，本文提出结合贝叶斯方法和多分辨率小波分解的新框架，通过空间交互分层建模和Spike-and-slab混合先验实现高维数据降维与聚类，有效提升阿尔茨海默病纵向预测精度并定位关键脑区。

　　

摘要

在基于神经影像生物标志物的阿尔茨海默病（AD）等神经退行性疾病的认知障碍预测建模方面，已经取得了显著进展。然而，现有方法通常没有考虑由于空间变化的影像特征与补充的人口统计、临床和遗传风险因素之间的相互作用可能导致的异质性。不幸的是，忽视这种异质性可能会导致预测效果不佳和估计偏差。我们在现有的标量-图像回归框架基础上，通过纳入大脑影像与补充风险因素之间的空间变化相互作用来建模AD中的认知障碍。所提出的贝叶斯方法通过分层表示来处理功能回归系数与补充风险因素之间的空间相互作用，该方法嵌入在涉及多分辨率小波分解的标量-函数框架中。为了解决维度灾难问题，我们通过尖峰-平板混合先验同时引入了稀疏性和聚类性，其中平板组分由潜在类别分布表征。我们开发了一种高效的马尔可夫链蒙特卡洛算法用于后验计算。广泛的模拟和对阿尔茨海默病神经影像研究计划的应用表明，与替代方法相比，我们的模型在多次访问中显著改善了对AD认知障碍的预测。该方法还识别了与认知能力显著相关的关键脑区，这些脑区要么直接相关，要么通过与风险因素的相互作用相关。

贝叶斯推断, 聚类, 高维, 神经影像分析, 标量-图像回归, 尖峰-平板