机构名称：
¥ 1.0
典型相关分析 (CCA) 及其正则化版本已在神经影像学界广泛用于揭示两种数据模式（例如，脑成像和行为）之间的多变量关联。然而，这些方法具有固有的局限性：（1）关于关联的统计推断通常不够稳健；（2）未对每种数据模式内的关联进行建模；（3）需要估算或删除缺失值。组因子分析 (GFA) 是一种分层模型，通过提供贝叶斯推断和建模特定于模式的关联来解决前两个限制。在这里，我们提出了一种处理缺失数据的 GFA 扩展，并强调 GFA 可用作预测模型。我们将 GFA 应用于由人类连接组计划 (HCP) 的大脑连接和非成像测量组成的合成和真实数据。在合成数据中，GFA 揭示了潜在的共享和特定因素，并正确预测了完整和不完整数据集中未观察到的数据模式。在 HCP 数据中，我们确定了四个相关的共同因素，捕捉情绪、酒精和药物使用、认知、人口统计和精神病理学测量与默认模式、额顶叶控制、背部和腹侧网络和岛叶之间的关联，以及两个描述大脑连接内关联的因素。此外，GFA 预测了一组来自大脑连接的非成像测量。这些发现在完整和不完整的数据集中都是一致的，并且复制了文献中以前的发现。GFA 是一种很有前途的工具，可用于揭示基准数据集（例如 HCP）中多种数据模式之间的关联，并且可以轻松扩展到更复杂的模型以解决更具挑战性的任务。
神经影像学
主要关键词
相关文件推荐
