banner
Центр новостей
Скрупулезное внимание к деталям в своей работе.

Основа фокального и коннектомного картирования временно нарушенных функций мозга

Aug 15, 2023

Биология связи, том 6, Номер статьи: 430 (2023) Цитировать эту статью

1559 доступов

1 Цитаты

11 Альтметрика

Подробности о метриках

Распределенная природа нейронного субстрата и сложность установления необходимости на основе корреляционных данных делают картирование функций мозга гораздо более сложной задачей, чем кажется. Методы, способные объединить соединительную анатомическую информацию с очаговым нарушением функции, необходимы для устранения неоднозначности локальной нейронной зависимости от глобальной и критической от просто случайной активности. Здесь мы представляем комплексную основу для фокального и соединительного пространственного вывода, основанную на скудных разрушительных данных, и демонстрируем ее применение в контексте временной прямой электрической стимуляции медиальной лобной стенки человека во время предоперационного обследования пациентов с фокальной эпилепсией. Наша структура формализует воксельный массовый одномерный вывод по разреженным данным в рамках статистической параметрической структуры картографии, включая анализ распределенных карт, определяемых любым критерием связности. Применительно к медиальной лобной стенке этот метод транзиторного дисконнектома выявляет заметные несоответствия между локальными и распределенными ассоциациями основных категорий моторного и сенсорного поведения, выявляя дифференциацию посредством удаленной связи, к которой чисто локальный анализ не имеет никакого отношения. Наша структура позволяет проводить революционное картирование человеческого мозга на основе разреженных данных с минимальными пространственными предположениями, хорошей статистической эффективностью, гибкой формулировкой модели и явным сравнением локальных и распределенных эффектов.

Спустя три десятилетия после революции в картировании человеческого мозга, ознаменованной функциональной магнитно-резонансной томографией (МРТ), большие участки нейронного ландшафта остаются окутанными тьмой. Все чаще признается, что два кардинальных аспекта задачи препятствуют прогрессу: распределенная, соединительная природа нейронного субстрата1,2 и сложность установления необходимости на основе преимущественно корреляционных данных3,4. Каждый аспект сам по себе представляет огромные трудности: характеристика распределенных субстратов требует явного моделирования удаленных взаимодействий, которые невозможно решить без крупномасштабных данных и математических моделей, хрупких из-за их сложности; Установление необходимости требует разрушительных доказательств, обычно получаемых естественным путем, через поведенческие последствия неконтролируемых очаговых патологических поражений, осложненных их случайными и гетерогенно распределенными характеристиками5,6. В совокупности эти трудности взаимно усиливаются: данные достаточного масштаба и качества для поддержки сложных моделей особенно трудно получить в клинической области, а распределенные модели патологических повреждений переплетаются со сравнительно распределенными основными моделями нейронной зависимости (за редкими исключениями7). . Однако именно распределенные субстраты больше всего нуждаются в разрушительных доказательствах, поскольку множественность нейронной поддержки делает выводы на основе корреляционных данных еще более трудными.

Поэтому срочно необходимы методологические инновации на стыке связующего и разрушительного картирования функций мозга, уделяя пристальное внимание не только практичности масштабирования существующих методов, но и уменьшению потребности в объемах данных, которых всегда будет трудно достичь. Здесь мы концептуально разрабатываем, технически реализуем и эмпирически демонстрируем простой, принципиальный подход к соединительно-разрушительному картированию функций мозга человека в клиническом контексте прямой корковой электрической стимуляции (DCS).

Теоретически идеальным подходом является регистрация функциональных последствий временных нарушений, применяемых в отдельных точках, индивидуально и в комбинации, по всему мозгу. DCS, обычно используемый в качестве локализационного клинического инструмента у пациентов, проходящих обследование по поводу резективной хирургии (обычно эпилептогенных) поражений, приближается к этому идеалу, возможно, ближе, чем любой другой доступный инструмент. Таким образом, можно достичь очагового, временного нарушения, что позволит провести причинно-следственную связь между четко определенным нейронным субстратом и наблюдаемым или сообщаемым поведенческим результатом8. Хотя клинические императивы неизбежно ограничивают выбор мест и плотности выборки, способность динамически оценивать несколько локусов у каждого пациента дает больший объем информативных данных, чем предполагает простое количество обследованных пациентов. Этот подход уже широко использовался для получения карт функциональной зависимости9 в хирургических условиях10,11, включая связность12, но за пределами формальных рамок, которые позволяют надежно количественно оценить как фокальные, так и соединительные эффекты без зависимости от заранее определенных областей интереса.

0.00001 to exclude areas with poor sampling. The subsequent mask was confined to the frontal medial wall, and extended laterally 22 mm to encompass its depths. For each behavioural condition of interest, stimulation images were entered into a voxel-wise repeated-measures general linear model with electrode density as the dependent variable and subject and the binary behavioural effect as the independent variables. Within-subject non-sphericity of errors was accounted for using standard procedures36. A planned one-tailed voxel-wise t-test of each behavioural condition was performed and thresholded at p < 0.05 FWE (peak voxel) to account for multiple comparisons./p>0.0001) was multiplied voxel-wise with the original whole-brain atlas to identify 81 unique sub-regions intersecting with the sampled region. Each stimulation locus was assigned to the ROI that enclosed it, and Fisher’s exact test was run for each behaviour and each ROI on the data from each training-test split, yielding a set of regional statistics (odds ratios and FDR-corrected asymptotic p-value) quantifying the association between them. For each behaviour separately, test loci were individually labelled as predicting the behaviour or not dependent on whether they fell within ROIs significantly associated with that behaviour. The resultant confusion matrix was used to derive performance metrics as above./p>

3.0.CO;2-7" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291096-9861%2819990920%29412%3A2%3C319%3A%3AAID-CNE10%3E3.0.CO%3B2-7" aria-label="Article reference 17" data-doi="10.1002/(SICI)1096-9861(19990920)412:23.0.CO;2-7"Article CAS PubMed Google Scholar /p>