Neuroimaging and modeling

Summary

The links between symptomatic phenomenology of psychiatric disorders and their neurobiological pathophysiology are still understood only in fragments. While functional and structural neuroimaging methods have leveraged our knowledge of regional dysfunction in psychiatric disorders, emerging novel approaches more focused on brain networks or neural patterns promise additional forward progress. Activation likelihood estimation (ALE) performs quantitative large-scale aggregation of neuroimaging findings. Resting-state (RS) correlation captures networks of functional relationships between regions in the idling, non-goal-focused brain. In contrast, meta-analytic connectivity modeling (MACM) captures functional coupling between brain regions in the context of experimental paradigms. These methods may furthermore be exploited to provide data-driven parcellations (CBP, connectivity-based parcellation) of larger brain regions into distinct functional modules. Dynamic causal modeling (DCM), in turn, allows for the automatic selection among a set of connectional network models to delineate effective connectivity dynamics during experimental paradigms. Finally, machine learning (ML) allows for the automatic detection and prediction of diagnosis/treatment-response patterns in massive datasets. Capitalizing on this toolbox of computational modeling methods might considerably further psychiatry and thus benefit patients with mental disorders.

Zusammenfassung

Die Verbindung zwischen der Symptomphänomenologie von psychiatrischen Störungen und deren neurobiologischer Pathophysiologie wird momentan nur bruchstückhaft verstanden. Während funktionelle und strukturelle Bildgebungs-Methoden unsere Kenntnisse über regionale Dysfunktionen in psychiatrischen Störungen enorm erweitert haben, sind aufkommende neue Herangehensweisen stärker auf Hirnnetzwerke und neuronale Muster fokussiert und versprechen somit zusätzlichen Erkenntnisfortschritt. Activation likelihood estimation (ALE) erlaubt quantitative, groß angelegte Zusammenführungen von Bildgebungs-Ergebnissen. Resting-state (RS) Korrelationen stellen Netzwerke funktioneller Beziehungen zwischen Hirnregionen im ruhenden, nicht-ziel-orientierten Gehirn dar. Meta-analytic connectivity modelling (MACM) stellt stattdessen funktionelle Kopplung zwischen Hirnregionen im Kon-text von experimentellen Paradigmen dar. Diese Methoden können wiederum für datengetriebene Parzellierungen (CBP, connectivity-based parcellation) größerer Hirnregionen in individuelle funktionelle Module ausgenutzt werden. Dynamic causal modeling (DCM) erlaubt nun die automatische Selektion unter einer Menge an konnektionalen Netzwerkmodelen, um effektive Konnektivität während experimenteller Paradigmen herauszustellen. Machine Learning (ML) erlaubt letztendlich die automatische Erkennung und Vorhersage von Diagnose/Therapie-Antwort Mustern in Datensätzen massiver Größe. Der geschickte Einsatz dieser Werkzeuge für komputationale Modelierung könnte der Psychiatrie beträchtlich nützen und damit auch dem Wohlbefinden von Patienten mit mentalen Störungen.

Keywords

Activation likelihood estimation - resting-state correlations - meta-analytic connectivity modeling - connectivity-based parcellation - dynamic causal modeling - machine learning

Schlüsselwörter

Activation likelihood estimation - Ruhezustand-Korrelationen - meta-analytic connectivity modeling - Konnektivitätsbasierte Parzellierung - dynamic causal modeling - Maschinelles Lernen