【牛津博士论文】面向神经影像应用的可扩展且可解释的空间模型

神经影像技术（如功能性磁共振成像 fMRI 和结构性磁共振成像 sMRI）已成为理解人脑功能与病理过程的关键工具。fMRI 通过测量血氧水平依赖（BOLD）信号，使研究者能够识别与特定认知和行为过程相关的大脑区域；结构性 MRI 则提供高分辨率的大脑解剖结构图谱，使我们能够识别形态变化（如白质病灶），从而加深对神经退行性疾病与脑血管疾病的理解。 尽管近年来在数据共享与大规模神经影像队列可获取性方面取得了显著进展，但仍存在若干普遍的分析挑战。个体神经影像研究往往样本量有限，这限制了统计功效并削弱了研究结果的泛化能力。许多现有的分析方法难以在模型复杂度、可解释性与可扩展性之间实现良好平衡。另一个关键限制是缺乏能够在保持计算效率的同时，显式建模神经影像数据中空间依赖结构的方法。解决这些挑战对于提升神经影像研究的可靠性、可重复性及其临床相关性具有重要意义。 本论文旨在通过构建统计方法，显式建模神经影像数据中的空间依赖性，同时确保计算效率与良好的可扩展性，以应对上述挑战。所提出的方法框架基于广义线性模型（GLMs），通过样条函数参数化或高斯核引入空间建模模块。这些模型能够灵活地适配全局常数或空间变异的协变量，在回归框架下支持概率或强度的估计，并能够开展灵活的体素级统计检验，如空间齐性检验与组间比较。 为了应对大规模神经影像数据所带来的计算挑战，论文还引入了若干降维与效率优化策略，包括模型因式分解、并行计算及内存优化算法。此外，还探讨了稳健而准确的推断方法，如基于 sandwich 估计量的标准误估计，以及基于自助法（bootstrap）的非参数推断方法。 本文所提出的方法被应用于两个具有代表性的神经影像任务，验证其可解释性、可扩展性与鲁棒性：（1）基于坐标的元分析（CBMA），用于整合任务驱动或刺激驱动的 fMRI 研究；（2）基于 T2 加权 MRI 数据的脑病灶概率估计，以及风险因子的空间异质性效应推断。 在 CBMA 场景中，所提出的模型能够更准确且空间上更平滑地近似激活强度函数，并支持系统性分析可能的变异来源。该框架还被进一步扩展以支持多组比较，使得可以对不同组之间的激活模式差异进行推断。 在脑病灶图谱构建任务中，本文采用类似的建模原则，以估计临床风险因子（如年龄与心血管状况）在全脑范围内对病灶分布的体素级影响。