Reliability of dynamic causal modelling of brain connectivity

Abstract

Funktionelle Magnetresonanztomographie (fMRT) ist ein Bildgebungsverfahren, welches verwendet wird, um die Funktionsweise des menschlichen Gehirns bei bestimmten Aufgabenstellungen zu untersuchen. Hierbei wird unter experimentellen Bedingungen in festen Zeitabständen ein 3D-Bild des Gehirns aufgenommen. Kleinste Änderungen im Hirnstoffwechsel erlauben Rückschlüsse über die neuronale Aktivität während kognitiver Experimente. Für die Analyse der so gewonnenen Daten existieren verschiedene Ansätze. Üblicherweise wird ein lineares Modell (GLM) aufgestellt, in welchem ein linearer Zusammenhang zwischen Stimulus und Hirnaktivität dargestellt wird. Mit dieser robusten, sehr einfachen Methode können jedoch Zusammenhänge zwischen verschiedenen Bereichen des Gehirns nicht berücksichtigt werden. In dieser Arbeit liegt der Fokus deshalb auf Dynamic Causal Modelling (DCM), einer Methode, die für die Untersuchung von (Hypothesen zu) funktionellen Netzwerken im Gehirn verwendet wird. Da kürzlich an verschiedenen Stellen Kritik an der Reproduzierbarkeit dieser Methoden geäußert wurden, untersucht diese Arbeit Techniken und Ansätze um die Wiederholbarkeit von Ergebnissen quantifizierbar zu machen. Dazu wurden hochaufgelöste funktionelle MRT-Daten von vierzehn gesunden Probanden mithilfe eines Ultra-Hochfeldtomographen erhoben, während die Probanden eine Gesichts- bzw. Emotionserkennungsaufgabe erfüllen mussten. Ziel der Studie war einerseits, Ergebnisse aus früheren Studien zu reproduzieren, andererseits die Stabilität der Ergebnisse bei wiederholten Messungen zu untersuchen. Während die Resultate aus dem klassischen Ansatz des linearen Modells in dieser Studie eine sehr hohe Reproduzierbarkeit aufwiesen und sich auch mit den Ergebnissen anderer Untersuchungen deckten, konnten die DCM Ergebnisse aus einer früheren Studie nicht reproduziert werden. Ebenso waren die Ergebnisse über die wiederholten Durchläufe nicht konsistent genug, um diesbezüglich Schlüsse ziehen zu können. Weitere Untersuchungen sind nötig um herauszufinden, ob diese unschlüssigen Ergebnisse schlecht gewählten Modellhypothesen, einer zu kleinen Stichprobe oder anderen Faktoren zuzuschreiben sind.

Functional magnetic resonance imaging (fMRI) is a neuroimaging technique used to investigate the inner mechanisms of the human brain when presented with certain tasks. A sequence of 3D-images of the brain is acquired during certain experimental conditions to detect subtle changes in brain metabolism, which allow for inferences on neuronal activity during cognitive experiments. In order to analyse the acquired data, numerous approaches can be used, depending on the nature of the research question. Customarily, the relationship between stimulus and brain activity is assumed linear and is thus modelled in the General Linear Model framework. However, this simple yet robust approach does not allow for modelling interrelations between different parts of the brain. In this work, we are focusing on a particular method used for investigating dynamic functional connectivity of brain regions and changes related to certain task conditions, namely Dynamic Causal Modelling (DCM). After recent criticism on this method, we have investigated the test-retest reliability of Dynamic Causal Modelling. We acquired fMRI data on fourteen healthy subjects at ultra-high field while the subjects were repeatedly performing a facial emotion processing task. The task was repeated six times within a measurement session, the whole session was repeated after 14 days. With this study, we aimed to reproduce reported findings and assess the reproducibility of our results after repeated measurements. While the common approach using the General Linear Model yielded results showing high reproducibility and also coinciding with the results of other groups, the DCM results of a previous study could not be reproduced using this data set. Results over repeated measurements were also inconsistent. Further investigations are necessary to unveil the reason for these inconclusive results -- whether the results may be attributed to poorly chosen model hypotheses, an undersized sample or other factors.