基于链路预测的静息态功能脑网络建模关键技术研究

摘要

人脑是自然世界中存在的最复杂多变的系统之一，可以被描述为一个多层次的复杂网络。目前，复杂网络的理论已经成为了脑网络研究的一种重要手段，利用该理论方法进行不同尺度下的脑网络构建，找到符合大脑工作机制的节点以及边的定义，以期可以绘制一张完整的大脑活动图谱。
　　近年来，为了研究脑网络拓扑属性与解剖空间之间的关系，越来越多的研究人员开始着眼于脑网络建模的研究。通过数学建模方法，利用脑区解剖空间距离作为参数，建立脑网络连接的生成函数，并不断优化以实现最优拟合。一方面挖掘了物理空间距离及成本与网络拓扑属性之间的关系，另一方面对脑网络构建计算成本的降低有着重要的意义。前人的研究已经证明，脑网络拓扑结构是受到节点解剖距离的约束和影响的。并且利用解剖距离作为参数的建模方法，无论在正常人或是脑疾病患者，均已经证明是可行的。但目前的研究存在两个隐含的问题:其一，在不同尺度的节点规模下，解剖距离对网络拓扑属性的影响是否存在一定的差异性;其二，解剖距离只和所选的节点模板有关，和样本个体无关，所反映的是共性的特征。而在建模时，不仅需要考虑共性的特征，同样还要考虑样本个体的个性化差异。此外，源于脑网络在构建过程中所受到的各种混杂因素的干扰，导致脑网络的可信度问题。传统的基于重测信度的分析方法能够针对网络指标进行一致性检测，却无法对网络结构本身进行合理的优化，因此急需一种新的方法对脑网络进行可信度评价并实现网络模型的优化。这一系列问题的探索及研究，为超大规模脑网络的建模及分析提供了新的思路和方法，具有重要的理论价值和实践意义。
　　本文研究得到了国家自然科学基金项目的支持，针对目前在脑网络构建中所存在的问题，将复杂网络中链路预测的思想引入到静息态功能脑网络的建模研究中，在构建脑网络的基础上提出基于局部信息指标的静息态功能脑网络模型、层次结构的脑网络模型以及基于随机分块思想的链路可信度评价方法及网络重构模型，最终实现对脑网络的模型构建及优化。该研究完善和发展了基于复杂网络理论的脑网络分析方法论，同时降低了网络构建及分析所需的计算成本，提高了网络的可靠程度，为超大规模脑网络的构建提供了新的思路。
　　本文主要创新工作包括有:
　　(1)提出基于局部信息指标的功能脑网络建模方法
　　本文将链路预测方法中的传统的局部信息指标引入功能脑网络建模中，将其与大脑解剖距离结合起来进行脑网络数学建模，以实现脑网络的仿真。并通过网络拓扑属性来量化分析其与真实脑网络拓扑属性之间的拟合程度，最终给出合理有效的模型评价指标及参数筛选策略。
　　(2)提出基于层次结构模型的功能脑网络建模方法
　　针对脑网络具有典型的模块化结构这一自身特点，本文提出基于层次结构模型的功能脑网络建模方法，该方法将脑网络的模块结构作为先验知识进行模型构建。结果表明，采用该方法对功能脑网络进行模型构建是可行并且有效的。
　　(3)提出基于随机分块模型的复杂脑网络可信度优化方法
　　现有研究下，脑网络构建中一个核心问题是网络构建结果的质量控制，即连接的可信度评价。传统方法对构建网络的质量控制只能实现对网络拓扑属性的一致性度量，而对网络连接缺乏有效的评价方法。本文将这一问题转化为链路预测问题，提出基于随机分块模型脑网络连接评价及重构方法，结果表明重构后的脑网络更加接近于真实脑网络，提高了脑网络构建的可信度。