Индивидуальные ареальные парцелляции улучшают прогнозирование поведения по функциональной связности

Функциональная магнитно-резонансная томография в состоянии покоя (rs-fMRI) позволяет оценивать индивидуальные корковые парцелляции. Ранее мы разработали иерархическую байесовскую модель для нескольких сеансов (MS-HBM), предназначенную для оценки высококачественных индивидуальных парцелляций на уровне сетей. В настоящей работе мы расширили модель для оценки индивидуальных парцелляций на уровне ареалов. Если сетевые парцелляции включают пространственно распределённые сети, охватывающие кору, то согласно общепринятому мнению ареальные парцелляции должны быть пространственно локализованными, то есть не охватывать несколько долей мозга. Нет единого мнения о том, должны ли ареальные парцелляции быть строго смежными или включать несколько несмежных компонентов; поэтому мы рассмотрели три варианта MS-HBM для ареальных парцелляций, охватывающие весь спектр этих возможностей. Индивидуальные парцелляции, оценённые с помощью MS-HBM по 10 минутам данных, лучше обобщались на независимые данные rs-fMRI и функциональной МРТ при выполнении задач, полученные у тех же участников, чем результаты других методов, использовавших 150 минут данных. Функциональная связность в состоянии покоя, рассчитанная на основе парцелляций MS-HBM, также обеспечивала наилучшее прогнозирование поведения. Среди трёх вариантов MS-HBM модель со строго смежными ареалами характеризовалась наилучшей однородностью в состоянии покоя и наиболее равномерной активацией внутри парцелляций при выполнении задач. По качеству прогнозирования поведения градиентная версия MS-HBM имела численно лучшие результаты, однако различия между вариантами MS-HBM не достигали статистической значимости. В целом эти результаты показывают, что MS-HBM для ареальных парцелляций может выявлять индивидуальные особенности парцелляции, имеющие значение для поведения, которые не отражаются в групповых парцелляциях. Модели и парцелляции, обученные для разных пространственных разрешений, находятся в открытом доступе (https://github.com/ThomasYeoLab/CBIG/tree/master/stable_projects/brain_parcellation/Kong2022_ArealMSHBM).