Gelenkte neuronale Interaktionen in der fMRI: ein Vergleich zwischen Granger-Kausalität und Effektiver Konnektivität

Das Verständnis, wie neuronale Populationen interagieren, ist entscheidend für das Verständnis der Gehirnfunktion. Die gängigsten Ansätze zur Ableitung neuronaler Interaktionen basieren auf Analysen der Granger-Kausalität (GC) und Modellen der effektiven Konnektivität (EC) für neuronale Zeitreihen. Eine eingehende Untersuchung der Ähnlichkeit und Komplementarität dieser Ansätze fehlt jedoch derzeit. GC und EC werden klassisch als komplementäre Informationen über die wechselseitige Abhängigkeit zwischen neuronalen Signalen angesehen. Während GC die Vorhersagbarkeit zwischen Zeitreihen quantifiziert und als Maß für den Informationsfluss interpretiert wird, quantifiziert EC die Menge und das Vorzeichen der Interaktion und wird häufig als der ursächliche Einfluss verstanden, den eine neuronale Einheit auf eine andere ausübt. Hier zeigen wir, dass GC und EC im Kontext der Analyse von funktionalen Magnetresonanztomographie (fMRI)-Daten und Modellen der ersten Ordnung autoregressiv gemeinsame Annahmen teilen und mathematisch miteinander verknüpft sind. Genauer gesagt zeigen wir, dass durch die Definition einer 'korrigierten' Version von GC, die ungleiche Rauschvarianten berücksichtigt, die die Quell- und Zielknoten beeinflussen, die beiden Maße durch eine annähernd quadratische Beziehung verbunden sind, wobei positive oder negative Werte von EC mit identischen Werten von GC assoziiert sind. Während die Beziehung im Grenzfall einer unendlichen Abtastzeit erhoben wird, verwenden wir Simulationen, um zu zeigen, dass sie auch in endlichen Datensätzen beobachtet werden kann, wie sie klassisch in neuroimaging Studien beobachtet werden, vorausgesetzt, dass ausreichend lange Abtastungen, mehrere Sitzungen oder Gruppendurchschnitte vorliegen. Schließlich vergleichen wir die GC- und EC-Analysen auf fMRI-Daten des Human Connectome Project und erhalten Ergebnisse, die mit den Simulationsergebnissen übereinstimmen. Während GC- und EC-Analysen keine zuverlässigen Schätzungen auf Ebene eines einzelnen Probanden oder einer einzelnen Verbindung liefern, werden sie stabil auf Gruppenebene (mehr als etwa 20 Probanden), wo die vorhergesagte Beziehung zwischen GC und EC klar aus den Daten abgeleitet werden kann. Zusammenfassend bietet unsere Studie einen gemeinsamen mathematischen Rahmen, um fundierte methodologische Entscheidungen bei der Rekonstruktion und Analyse von gelenkten Gehirnnetzwerken aus neuroimaging Zeitreihen zu treffen.