新框架用高斯过程整合多模态脑影像，预测精度获理论保证并实证验证！
Additive Nonparametric Regression with Spatial and Network Objects
📖 AI 总结
本文提出一个面向空间与网络对象的加性非参数回归框架，研究动机来自青少年大脑认知发展（ABCD）研究的影像分析任务，即利用结构核磁共振的皮层指标与静息态功能连接数据，预测任务态脑激活图。针对多模态影像数据联合先验设计困难、计算复杂且缺乏理论保障等问题，作者将任务态与结构影像视为函数型数据，在函数型响应上同时建模网络预测变量与函数型预测变量的加性非线性效应：对函数型预测变量系数施加高斯过程先验以刻画其复杂函数依赖，并对网络预测变量的非线性节点效应用高斯过程先验加以捕捉。该方法具备函数型响应预测精度的理论结果，并通过模拟研究与ABCD多模态神经影像数据分析得到实证验证。
🔑 关键词速览
| Additive Nonparametric Regression | 可加非参数回归，一种将响应变量建模为多个非参数函数之和的灵活回归方法。 |
| Gaussian Process (GP) Prior | 高斯过程先验，一种用于函数型数据的贝叶斯先验，可刻画变量间的非线性函数依赖关系。 |
| Functional Data | 函数型数据，指观测结果为曲线、图像或函数形式的数据，而非标量值。 |
| ABCD Study | 青少年大脑认知发展研究，一项大规模纵向神经影像研究，旨在追踪青少年脑发育与认知发展。 |
| Multi-modal Neuroimaging | 多模态神经影像，指结合多种成像技术（如s-MRI、t-fMRI、rs-fMRI）获取的脑结构与功能信息。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅