การสร้าง แบบจำลองเชิงสาเหตุแบบไดนามิก ( DCM ) เป็นกรอบการทำงานสำหรับการระบุแบบจำลอง การปรับแบบจำลองให้เข้ากับข้อมูล และการเปรียบเทียบหลักฐานโดยใช้การเปรียบเทียบแบบจำลองแบบเบย์เซียน โดยใช้แบบจำลองสถานะ - พื้นที่ แบบ ไม่เชิงเส้นในเวลาต่อเนื่อง ซึ่งระบุโดยใช้สมการเชิงอนุพันธ์แบบสุ่มหรือ แบบธรรมดา DCM ได้รับการพัฒนาขึ้นครั้งแรกเพื่อทดสอบสมมติฐานเกี่ยวกับพลวัตของระบบประสาท^{[ 1 ]}ในบริบทนี้ สมการเชิงอนุพันธ์อธิบายปฏิสัมพันธ์ของประชากรเซลล์ประสาท ซึ่งก่อให้เกิดข้อมูลการถ่ายภาพระบบประสาทเชิงฟังก์ชัน โดยตรงหรือโดยอ้อม เช่น การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า เชิงฟังก์ชัน (fMRI) การตรวจวัด คลื่นแม่เหล็กไฟฟ้า ของสมอง (MEG) หรือการตรวจวัดคลื่นไฟฟ้าของสมอง (EEG) พารามิเตอร์ในแบบจำลองเหล่านี้จะวัดปริมาณอิทธิพลโดยตรงหรือการเชื่อมต่อที่มีประสิทธิภาพระหว่างประชากรเซลล์ประสาท ซึ่งประมาณจากข้อมูลโดยใช้วิธีทางสถิติแบบ เบย์เซียน

โดยทั่วไปแล้ว DCM ใช้เพื่อประเมินการเชื่อมโยงระหว่างบริเวณต่างๆ ของสมองและการเปลี่ยนแปลงของการเชื่อมโยงอันเนื่องมาจากการเปลี่ยนแปลงในการทดลอง (เช่น เวลาหรือบริบท) มีการกำหนดแบบจำลองของประชากรประสาทที่โต้ตอบกัน โดยระดับรายละเอียดทางชีววิทยาจะขึ้นอยู่กับสมมติฐานและข้อมูลที่มีอยู่ แบบจำลองนี้จะเชื่อมโยงกับแบบจำลองไปข้างหน้าซึ่งอธิบายว่ากิจกรรมทางประสาทก่อให้เกิดการตอบสนองที่วัดได้อย่างไร การประมาณแบบจำลองเชิงกำเนิดจะระบุพารามิเตอร์ (เช่น ความแข็งแรงของการเชื่อมต่อ) จากข้อมูลที่สังเกตได้การเปรียบเทียบแบบจำลองแบบเบย์เซียนใช้เพื่อเปรียบเทียบแบบจำลองตามหลักฐาน ซึ่งสามารถกำหนดลักษณะได้ในแง่ของพารามิเตอร์

โดยทั่วไปการศึกษา DCM จะประกอบด้วยขั้นตอนต่อไปนี้: ^{[ 2 ]}

1. การออกแบบการทดลอง คือ การกำหนดสมมติฐานเฉพาะเจาะจงและทำการทดลอง
2. การเตรียมข้อมูล ข้อมูลที่ได้มาจะถูกประมวลผลเบื้องต้น (เช่น การเลือกคุณลักษณะข้อมูลที่เกี่ยวข้องและการกำจัดตัวแปรแทรกซ้อน)
3. การกำหนดแบบจำลอง มีการระบุแบบจำลองเชิงคาดการณ์ (DCM) อย่างน้อยหนึ่งแบบสำหรับแต่ละชุดข้อมูล
4. การประมาณค่าแบบจำลอง แบบจำลองจะถูกปรับให้เข้ากับข้อมูลเพื่อกำหนดหลักฐานและพารามิเตอร์ของแบบจำลอง
5. การเปรียบเทียบแบบจำลอง หลักฐานสำหรับแต่ละแบบจำลองจะถูกนำมาใช้ในการเปรียบเทียบแบบจำลองแบบเบย์เซียน (ในระดับรายบุคคลหรือระดับกลุ่ม) เพื่อเลือกแบบจำลองที่ดีที่สุด การหาค่าเฉลี่ยแบบจำลองแบบเบย์เซียน (BMA) ถูกนำมาใช้ในการคำนวณค่าเฉลี่ยถ่วงน้ำหนักของค่าประมาณพารามิเตอร์จากแบบจำลองต่างๆ

ขั้นตอนสำคัญต่างๆ ได้รับการสรุปโดยย่อไว้ด้านล่างนี้

การทดลองสร้างภาพการทำงานของสมองมักจะเป็นการทดลองที่อิงตามภารกิจหรือตรวจสอบกิจกรรมของสมองขณะพัก ( สภาวะพัก ) ในการทดลองที่อิงตามภารกิจ การตอบสนองของสมองจะถูกกระตุ้นโดยอินพุตแบบกำหนดที่ทราบ (สิ่งเร้าที่ควบคุมในการทดลอง) ตัวแปรการทดลองเหล่านี้สามารถเปลี่ยนแปลงกิจกรรมของระบบประสาทได้โดยมีอิทธิพลโดยตรงต่อบริเวณสมองเฉพาะ เช่นศักยภาพที่ถูกกระตุ้นในคอร์เทกซ์การมองเห็น ตอนต้น หรือผ่านการปรับเปลี่ยนการเชื่อมโยงระหว่างกลุ่มเซลล์ประสาท ตัวอย่างเช่น อิทธิพลของความสนใจ อินพุตสองประเภทนี้ ได้แก่ อินพุตขับเคลื่อนและอินพุตปรับเปลี่ยน จะถูกกำหนดพารามิเตอร์แยกกันใน DCM ^{[ 1 ]} เพื่อให้สามารถประมาณผลกระทบของการขับเคลื่อนและการปรับเปลี่ยนได้อย่างมีประสิทธิภาพ มักใช้ การออกแบบการทดลองแบบแฟคทอเรียล 2x2 โดยมีปัจจัยหนึ่งทำหน้าที่เป็นอินพุตขับเคลื่อนและอีกปัจจัยหนึ่งทำหน้าที่เป็นอินพุตปรับเปลี่ยน^{[ 2 ]}

การทดลองในสภาวะพักผ่อนไม่มีการเปลี่ยนแปลงเชิงทดลองใดๆ ในช่วงเวลาของการบันทึกภาพทางประสาทวิทยา แต่เป็นการทดสอบสมมติฐานเกี่ยวกับการเชื่อมโยงของการผันผวนภายในของกิจกรรมทางประสาท หรือความแตกต่างในการเชื่อมต่อระหว่างช่วงการทดลองหรือระหว่างบุคคล กรอบงาน DCM ประกอบด้วยแบบจำลองและขั้นตอนสำหรับการวิเคราะห์ข้อมูลสภาวะพักผ่อน ซึ่งจะอธิบายในส่วนถัดไป

โมเดลทั้งหมดในระบบ DCM มีรูปแบบพื้นฐานดังต่อไปนี้:

${\displaystyle {\begin{aligned}{\dot {z}}&=f(z,u,\theta ^{(n)})\\y&=g(z,\theta ^{(h)})+\epsilon \end{aligned}}}$

ความเท่าเทียมกันข้อแรกอธิบายถึงการเปลี่ยนแปลงของกิจกรรมประสาทเมื่อเทียบกับเวลา (เช่น) ซึ่งไม่สามารถสังเกตได้โดยตรงโดยใช้วิธีการถ่ายภาพการทำงานแบบไม่รุกราน การเปลี่ยนแปลงของกิจกรรมประสาทเมื่อเวลาผ่านไปถูกควบคุมโดยฟังก์ชันประสาทที่มีพารามิเตอร์และอินพุตจากการทดลองกิจกรรมประสาทจะก่อให้เกิดอนุกรมเวลา(ความเท่าเทียมกันข้อที่สอง) ซึ่งสร้างขึ้นผ่านฟังก์ชันการสังเกตที่มีพารามิเตอร์ สัญญาณรบกวนจากการสังเกตแบบบวกจะทำให้แบบจำลองการสังเกตสมบูรณ์ โดยปกติแล้ว พารามิเตอร์ประสาทเป็นสิ่งที่น่าสนใจอย่างยิ่ง ซึ่งตัวอย่างเช่น แสดงถึงความแข็งแรงของการเชื่อมต่อที่อาจเปลี่ยนแปลงไปภายใต้เงื่อนไขการทดลองที่แตกต่างกัน ${\displaystyle z}$${\displaystyle {\dot {z}}}$${\displaystyle f}$${\displaystyle \theta ^{(n)}}$${\displaystyle u}$${\displaystyle y}$${\displaystyle g}$${\displaystyle \theta ^{(h)}}$${\displaystyle \epsilon }$${\displaystyle \theta ^{(n)}}$

การระบุ DCM จำเป็นต้องเลือกแบบจำลองประสาทและแบบจำลองการสังเกตรวมถึงตั้ง ค่าความน่าจะเป็นล่วงหน้า (priors) ที่เหมาะสม สำหรับพารามิเตอร์ต่างๆ เช่น การเลือกว่าควรเปิดหรือปิดการเชื่อมต่อใดบ้าง ${\displaystyle f}$${\displaystyle g}$

แบบจำลองประสาทใน DCM สำหรับ fMRI เป็นการประมาณค่าแบบเทย์เลอร์ที่จับอิทธิพลเชิงสาเหตุโดยรวมระหว่างบริเวณสมองและการเปลี่ยนแปลงเนื่องจากอินพุตการทดลอง (ดูภาพ) แบบจำลองนี้เชื่อมโยงกับแบบจำลองทางชีวฟิสิกส์โดยละเอียดของการสร้างการตอบสนองที่ขึ้นอยู่กับระดับออกซิเจนในเลือด (BOLD) และสัญญาณ MRI ^{[ 1 ]}โดยอิงจากแบบจำลองบอลลูนของ Buxton et al. ^{[ 3 ]}ซึ่งเสริมด้วยแบบจำลองการเชื่อมโยงระหว่างระบบประสาทและหลอดเลือด^{[ 4 ] [ 5 ]}ส่วนเพิ่มเติมในแบบจำลองประสาทได้แก่ ปฏิสัมพันธ์ระหว่างประชากรประสาทที่กระตุ้นและยับยั้ง^{[ 6 ]}และอิทธิพลที่ไม่เป็นเชิงเส้นของประชากรประสาทต่อการเชื่อมโยงระหว่างประชากรอื่นๆ^{[ 7 ]}

DCM สำหรับการศึกษาสถานะพักผ่อนได้รับการแนะนำครั้งแรกใน Stochastic DCM ^{[ 8 ]}ซึ่งประมาณค่าความผันผวนของระบบประสาทและพารามิเตอร์การเชื่อมต่อในโดเมนเวลาโดยใช้การกรองแบบทั่วไป ต่อมาได้มีการนำเสนอแผนการที่มีประสิทธิภาพมากขึ้นสำหรับข้อมูลสถานะพักผ่อนซึ่งทำงานในโดเมนความถี่ เรียกว่า DCM สำหรับความหนาแน่นสเปกตรัมร่วม (CSD) ^{[ 9 ] [ 10 ]}ทั้งสองวิธีนี้สามารถนำไปใช้กับเครือข่ายสมองขนาดใหญ่ได้โดยการจำกัดพารามิเตอร์การเชื่อมต่อตามการเชื่อมต่อเชิงฟังก์ชัน^{[ 11 ] [ 12 ]}การพัฒนาล่าสุดอีกอย่างหนึ่งสำหรับการวิเคราะห์สถานะพักผ่อนคือ Regression DCM ^{[ 13 ]}ซึ่งนำไปใช้ในชุดซอฟต์แวร์ Tapas (ดูการใช้งานซอฟต์แวร์ ) Regression DCM ทำงานในโดเมนความถี่ แต่ทำให้แบบจำลองเป็นเชิงเส้นภายใต้การลดทอนบางอย่าง เช่น การมีฟังก์ชันการตอบสนองทางโลหิตวิทยาคงที่ (แบบแคนอนิก) ซึ่งช่วยให้สามารถประมาณค่าเครือข่ายสมองขนาดใหญ่ได้อย่างรวดเร็ว

DCM สำหรับข้อมูล EEG และ MEG ใช้แบบจำลองประสาทที่มีรายละเอียดทางชีววิทยามากกว่า fMRI เนื่องจากความละเอียดเชิงเวลาที่สูงกว่าของเทคนิคการวัดเหล่านี้ สามารถจำแนกได้เป็นแบบจำลองทางสรีรวิทยา ซึ่งจำลองวงจรประสาท และแบบจำลองเชิงปรากฏการณ์ ซึ่งเน้นการจำลองคุณลักษณะของข้อมูลเฉพาะ แบบจำลองทางสรีรวิทยาสามารถแบ่งย่อยออกเป็นสองประเภทแบบจำลองที่อิงตามค่าการนำไฟฟ้าได้มาจากการแสดงวงจรสมมูลของเยื่อหุ้มเซลล์ที่พัฒนาโดย Hodgkin และ Huxley ในช่วงทศวรรษ 1950 ^{[ 14 ]}แบบจำลองการสังเคราะห์ได้รับการแนะนำโดยWilson & Cowan ^{[ 15 ]}และ Freeman ^{[ 16 ]}ในช่วงทศวรรษ 1970 และเกี่ยวข้องกับการสังเคราะห์อินพุตก่อนไซแนปส์โดยฟังก์ชันเคอร์เนลไซแนปส์ แบบจำลองเฉพาะบางส่วนที่ใช้ใน DCM มีดังต่อไปนี้:

• แบบจำลองทางสรีรวิทยา:
  • โมเดลคอนโวลูชัน:
    • DCM สำหรับการตอบสนองที่ถูกกระตุ้น (DCM สำหรับ ERP) ^{[ 17 ] [ 18 ]}นี่คือแบบจำลองมวลประสาทที่สมเหตุสมผลทางชีววิทยา ซึ่งขยายงานก่อนหน้านี้ของ Jansen และ Rit ^{[ 19 ]}มันจำลองกิจกรรมของบริเวณเยื่อหุ้มสมองโดยใช้ประชากรย่อยของเซลล์ประสาทสามกลุ่ม (ดูภาพ) ซึ่งแต่ละกลุ่มขึ้นอยู่กับตัวดำเนินการสองตัว ตัวดำเนินการตัวแรกแปลงอัตราการยิงก่อนไซแนปส์เป็นศักยภาพหลังไซแนปส์ (PSP) โดยการคอน โว ลูชันอินพุตก่อนไซแนปส์กับฟังก์ชันการตอบสนองของไซแนปส์ (เคอร์เนล) ตัวดำเนินการตัวที่สอง ซึ่งเป็น ฟังก์ชัน ซิกมอยด์จะแปลงศักยภาพของเยื่อหุ้มเซลล์เป็นอัตราการยิงของศักยภาพการกระทำ
    • DCM สำหรับ LFP (Local Field Potentials) ^{[ 20 ]}ขยาย DCM สำหรับ ERP โดยเพิ่มผลกระทบของช่องไอออนเฉพาะต่อการสร้างสไปค์
    • วงจรไมโครแคนอนิก (CMC) ^{[ 21 ]}ใช้เพื่อจัดการกับสมมติฐานเกี่ยวกับการเชื่อมต่อขึ้นและลงเฉพาะชั้นในสมอง ซึ่งเป็นพื้นฐานของ คำอธิบาย การเข้ารหัสเชิงทำนายของสถาปัตยกรรมสมองเชิงฟังก์ชัน ประชากรเซลล์พีระมิดเดี่ยวจาก DCM สำหรับ ERP ถูกแบ่งออกเป็นประชากรส่วนลึกและส่วนตื้น (ดูภาพ) เวอร์ชันของ CMC ได้ถูกนำมาใช้เพื่อสร้างแบบจำลองข้อมูล MEG และ fMRI แบบหลายโมดอล^{[ 22 ]}
    • แบบจำลองสนามประสาท (NFM) ^{[ 23 ]}ขยายแบบจำลองข้างต้นไปสู่โดเมนเชิงพื้นที่ โดยจำลองการเปลี่ยนแปลงอย่างต่อเนื่องของกระแสไฟฟ้าทั่วแผ่นคอร์เทกซ์
  • แบบจำลองการนำไฟฟ้า:
    • แบบจำลองมวลประสาท (NMM) และแบบจำลองสนามเฉลี่ย (MFM) ^{[ 24 ] [ 25 ]} แบบ จำลองเหล่านี้มีการจัดเรียงประชากรประสาทแบบเดียวกับ DCM สำหรับ ERP ข้างต้น แต่มีพื้นฐานมาจากแบบจำลอง Morris-Lecarของเส้นใยกล้ามเนื้อเพรียง^{[ 26 ]}ซึ่งได้มาจาก แบบจำลอง Hodgin และ Huxleyของแอกซอนปลาหมึกยักษ์^{[ 14 ]} แบบจำลอง เหล่านี้ช่วยให้สามารถอนุมานเกี่ยวกับการไหลของไอออนกระตุ้น (Na+) และไอออนยับยั้ง (Cl-) ที่ควบคุมโดยลิแกนด์ ซึ่งเกิดขึ้นผ่านตัวรับกลูตาเมอร์จิกและ GABAergic ที่รวดเร็ว ในขณะที่ DCM สำหรับ fMRI และแบบจำลองคอนโวลูชันแสดงกิจกรรมของแต่ละประชากรประสาทด้วยตัวเลขเดียว ซึ่งก็คือค่าเฉลี่ยของกิจกรรม แบบจำลองการนำไฟฟ้าจะรวมความหนาแน่นทั้งหมด (การกระจายความน่าจะเป็น) ของกิจกรรมภายในประชากร สมมติฐาน 'สนามเฉลี่ย' ที่ใช้ในแบบจำลอง MFM เวอร์ชันนี้ถือว่าความหนาแน่นของกิจกรรมของประชากรหนึ่งขึ้นอยู่กับค่าเฉลี่ยของอีกประชากรหนึ่งเท่านั้น ส่วนขยายที่ตามมาได้เพิ่มช่องไอออน NMDA ที่ควบคุมด้วยแรงดันไฟฟ้า^{[ 27 ]}
• แบบจำลองเชิงปรากฏการณ์วิทยา:
  • DCM สำหรับการจับคู่เฟส^{[ 28 ]}จำลองปฏิสัมพันธ์ของภูมิภาคสมองเป็นออสซิลเลเตอร์ที่จับคู่กันอย่างอ่อน (WCOs) ซึ่งอัตราการเปลี่ยนแปลงเฟสของออสซิลเลเตอร์หนึ่งตัวเกี่ยวข้องกับความแตกต่างของเฟสระหว่างตัวมันเองกับออสซิลเลเตอร์อื่นๆ

การผกผันหรือการประมาณค่าแบบจำลองจะถูกนำไปใช้ใน DCM โดยใช้Bayes แบบแปรผันภายใต้สมมติฐานของ Laplace [ ^{29 ] ซึ่ง}ให้ปริมาณที่มีประโยชน์สองอย่าง: ความน่าจะเป็นแบบลอการิทึมหรือหลักฐานแบบจำลองคือความน่าจะเป็นของการสังเกตข้อมูลภายใต้แบบจำลองที่กำหนด โดยทั่วไปแล้ว ไม่สามารถคำนวณได้อย่างชัดเจนและประมาณค่าด้วยปริมาณที่เรียกว่าพลังงานอิสระแปรผันเชิงลบซึ่งในการเรียนรู้ของเครื่องเรียกว่าขอบเขตล่างของหลักฐาน (ELBO) สมมติฐานจะถูกทดสอบโดยการเปรียบเทียบหลักฐานสำหรับแบบจำลองต่างๆ โดยพิจารณาจากพลังงานอิสระ ซึ่งเป็นขั้นตอนที่เรียกว่าการเปรียบเทียบแบบจำลอง Bayesian ${\displaystyle \ln {p(y|m)}}$${\displaystyle F}$

การประมาณค่าแบบจำลองยังให้ค่าประมาณของพารามิเตอร์เช่น ความแข็งแรงของการเชื่อมต่อ ซึ่งทำให้พลังงานอิสระสูงสุด ในกรณีที่แบบจำลองแตกต่างกันเฉพาะในส่วนของค่าความน่า จะเป็นเบื้องต้นเท่านั้น การลดแบบจำลองแบบเบย์เซียนสามารถนำมาใช้เพื่อหาหลักฐานและพารามิเตอร์ของแบบจำลองที่ซ้อนกันหรือแบบจำลองที่ลดขนาดลงได้อย่างมีประสิทธิภาพและเป็นระบบ ${\displaystyle p(\theta |y)}$

โดยทั่วไป การศึกษาภาพประสาทจะตรวจสอบผลกระทบที่คงอยู่ที่ระดับกลุ่ม หรือที่แตกต่างกันระหว่างบุคคล มีวิธีการวิเคราะห์ระดับกลุ่มหลักสองวิธี ได้แก่ การเลือกแบบจำลองเบย์เซียนแบบสุ่ม (BMS) ^{[ 30 ]}และเบย์เซียนเชิงประจักษ์แบบพาราเมตริก (PEB) ^{[ 31 ]}การเลือกแบบจำลองเบย์เซียนแบบสุ่ม (BMS) ตั้งสมมติฐานว่าบุคคลแตกต่างกันในแง่ของแบบจำลองที่สร้างข้อมูลของพวกเขา เช่น หากสุ่มเลือกบุคคลจากประชากร อาจมีโอกาส 25% ที่สมองของพวกเขาจะมีโครงสร้างเหมือนแบบจำลองที่ 1 และมีโอกาส 75% ที่จะมีโครงสร้างเหมือนแบบจำลองที่ 2 ขั้นตอนการวิเคราะห์สำหรับวิธีการ BMS จะเป็นไปตามขั้นตอนต่างๆ ดังนี้:

1. ระบุและประเมิน DCM หลายรายการต่อบุคคล โดยที่ DCM แต่ละรายการ (หรือชุดของ DCM) แสดงถึงสมมติฐานหนึ่งข้อ
2. ทำการวิเคราะห์ BMS แบบ Random Effects เพื่อประมาณสัดส่วนของกลุ่มตัวอย่างที่มีข้อมูลถูกสร้างขึ้นโดยแต่ละแบบจำลอง
3. คำนวณค่าพารามิเตอร์การเชื่อมต่อเฉลี่ยของแบบจำลองต่างๆ โดยใช้การหาค่าเฉลี่ยแบบจำลองแบบเบย์เซียน (Bayesian Model Averaging) ค่าเฉลี่ยนี้จะถูกถ่วงน้ำหนักด้วยความน่าจะเป็นภายหลัง (posterior probability) สำหรับแต่ละแบบจำลอง ซึ่งหมายความว่าแบบจำลองที่มีความน่าจะเป็นสูงกว่าจะมีส่วนร่วมในค่าเฉลี่ยมากกว่าแบบจำลองที่มีความน่าจะเป็นต่ำกว่า

อีกทางเลือกหนึ่งคือสามารถใช้ Parametric Empirical Bayes (PEB) ^{[ 31 ]} ซึ่งระบุแบบจำลองลำดับชั้นเหนือพารามิเตอร์ (เช่น ความแข็งแรงของการเชื่อมต่อ) โดยละเว้นแนวคิดของแบบจำลองที่แตกต่างกันในระดับของแต่ละบุคคล และถือว่าผู้คนมีความแตกต่างกันในความแข็งแรงของการเชื่อมต่อ (แบบพาราเมตริก) แนวทาง PEB จำลองแหล่งที่มาที่แตกต่างกันของความแปรปรวนในความแข็งแรงของการเชื่อมต่อในแต่ละบุคคลโดยใช้ผลกระทบแบบคงที่และความแปรปรวนระหว่างบุคคล (ผลกระทบแบบสุ่ม) ขั้นตอนของ PEB มีดังนี้:

1. ระบุ DCM 'แบบเต็ม' เพียงชุดเดียวต่อวิชา ซึ่งประกอบด้วยพารามิเตอร์ทั้งหมดที่สนใจ
2. ระบุแบบจำลองเชิงเส้นทั่วไปแบบเบย์เซียน (Bayesian General Linear Model: GLM)เพื่อสร้างแบบจำลองพารามิเตอร์ (ความหนาแน่นของความน่าจะเป็นภายหลังทั้งหมด) จากทุกกลุ่มตัวอย่างในระดับกลุ่ม
3. ทดสอบสมมติฐานโดยการเปรียบเทียบแบบจำลองระดับกลุ่มแบบเต็มรูปแบบกับแบบจำลองระดับกลุ่มแบบลดทอน โดยที่การเชื่อมต่อบางส่วนถูกปิดใช้งาน

ความก้าวหน้าในด้าน DCM ได้รับการตรวจสอบความถูกต้องโดยใช้วิธีการต่างๆ ดังนี้:

• ความถูกต้องเชิงหน้าตาจะกำหนดว่าพารามิเตอร์ของแบบจำลองสามารถกู้คืนได้จากข้อมูลจำลองหรือไม่ โดยปกติจะดำเนินการควบคู่ไปกับการพัฒนาแบบจำลองใหม่แต่ละแบบ (เช่น^{[ 1 ] [ 7 ]} )
• ความถูกต้องเชิงโครงสร้างจะประเมินความสอดคล้องกับวิธีการวิเคราะห์อื่นๆ ตัวอย่างเช่น DCM ได้รับการเปรียบเทียบกับการสร้างแบบจำลองสมการโครงสร้าง^{[ 32 ]}และแบบจำลองการคำนวณทางชีววิทยาประสาทอื่นๆ^{[ 33 ]}
• ความถูกต้องในการทำนายจะประเมินความสามารถในการทำนายผลที่ทราบหรือคาดหวัง ซึ่งรวมถึงการทดสอบกับ iEEG / EEG / การกระตุ้น^{[ 34 ] [ 35 ] [ 36 ] [ 37 ]}และกับการรักษาทางเภสัชวิทยาที่ทราบ^{[ 38 ] [ 39 ]}

DCM เป็นแนวทางที่ขับเคลื่อนด้วยสมมติฐานสำหรับการตรวจสอบปฏิสัมพันธ์ระหว่างภูมิภาคที่สนใจที่กำหนดไว้ล่วงหน้า วิธีนี้ไม่ได้เหมาะสมอย่างยิ่งสำหรับการวิเคราะห์เชิงสำรวจ^{[ 2 ]}แม้ว่าจะมีการนำวิธีการต่างๆ มาใช้สำหรับการค้นหาโดยอัตโนมัติเหนือแบบจำลองที่ลดลง ( การลดแบบจำลองแบบเบย์เซียน ) และสำหรับการสร้างแบบจำลองเครือข่ายสมองขนาดใหญ่^{[ 12 ]}แต่วิธีการเหล่านี้จำเป็นต้องมีการระบุพื้นที่แบบจำลองอย่างชัดเจน ในด้านการถ่ายภาพประสาท วิธีการต่างๆ เช่น การวิเคราะห์ ปฏิสัมพันธ์ทางจิตสรีรวิทยา (PPI)อาจเหมาะสมกว่าสำหรับการใช้งานเชิงสำรวจ โดยเฉพาะอย่างยิ่งสำหรับการค้นหาโหนดสำคัญสำหรับการวิเคราะห์ DCM ในภายหลัง

วิธีการ Bayesian แบบแปรผันที่ใช้สำหรับการประมาณค่าโมเดลใน DCM นั้นขึ้นอยู่กับสมมติฐานของ Laplace ซึ่งถือว่าค่าหลังของพารามิเตอร์เป็นแบบ Gaussian การประมาณค่านี้อาจล้มเหลวในบริบทของโมเดลที่ไม่เป็นเชิงเส้นสูง ซึ่งค่าต่ำสุดเฉพาะที่อาจขัดขวางไม่ให้พลังงานอิสระทำหน้าที่เป็นขอบเขตที่แน่นหนาสำหรับหลักฐานโมเดลลอการิทึม วิธีการสุ่มตัวอย่างถือเป็นมาตรฐานทองคำ อย่างไรก็ตาม วิธีการเหล่านี้ใช้เวลานานและโดยทั่วไปแล้วจะใช้เพื่อตรวจสอบความถูกต้องของการประมาณค่าแบบแปรผันใน DCM ^{[ 40 ]}

DCM ถูกนำไปใช้ใน แพ็คเกจซอฟต์แวร์ Statistical Parametric Mappingซึ่งทำหน้าที่เป็นแบบอย่างหรือแบบอ้างอิง ( http://www.fil.ion.ucl.ac.uk/spm/software/spm12/ ) และได้รับการพัฒนาและปรับปรุงใหม่ในชุดซอฟต์แวร์ Tapas ( https://www.tnu.ethz.ch/en/software/tapas.html เก็บถาวรเมื่อ 2019-02-03 ที่Wayback Machine ) และกล่องเครื่องมือ VBA ( https://mbb-team.github.io/VBA-toolbox/ )

Scholiaมีโปรไฟล์สำหรับการสร้างแบบจำลองเชิงสาเหตุแบบไดนามิก(Q5318953 )

• การสร้างแบบจำลองเชิงสาเหตุแบบไดนามิกบน Scholarpedia
• ทำความเข้าใจ DCM: กฎง่ายๆ สิบข้อสำหรับแพทย์^{[ 1 ]}
• มวลและสนามประสาทในการสร้างแบบจำลองเชิงสาเหตุแบบไดนามิก^{[ 2 ]}