أساسيات التحليل متعدد المتغيرات في البيانات تصوير الأعصاب

يوضح هذا المقطع المرئي ويقارن بين تقنيات التحليل متعدد المتغيرات والتحليل أحادي المتغير لبيانات التصوير العصبي مع تطبيقات في تشخيص مرض ألزهايمر. أولاً، يتم إجراء مقارنة لنشاط الدماغ لدى 20 مريضاً في المراحل المبكرة من مرض ألزهايمر مقابل 20 شخصاً من الأصحاء المتطابقين في العمر للتحليل أحادي المتغير. ويُستخدم برنامج SPM لتحديد منطقة الدماغ التي تظهر أكبر عجز نسبي في إشارة FDG PET لدى مرضى ألزهايمر مقارنة بالمجموعات الضابطة.

بالنسبة للتحليل متعدد المتغيرات، يُستخدم تحليل المكونات الرئيسية مع التحليل التمايزي الخطي لاستخلاص نتائج العلامات التي تشير إلى أن العلامة متعددة المتغيرات توفر أداءً تشخيصياً أفضل من العلامة أحادية المتغير وتمنح تعميماً متفوقاً على البيانات المستقلة. مرحباً، أنا كريستيان هالبك من معهد TA في قسم أمراض الأعصاب في مركز جامعة كولومبيا الطبي. سنعرض لكم اليوم مثالاً على التحليل متعدد المتغيرات لبيانات التصوير العصبي.

نستخدم هذا الإجراء في مختبرنا لدراسة الطريقة المثلى للكشف المبكر عن مرض الزهايمر من خلال بيانات التصوير العصبي. لذا، لنبدأ الآن بنظرة عامة مفاهيمية عن التحليل متعدد المتغيرات لبيانات التصوير العصبي.

تُقيّم النهج متعددة المتغيرات الارتباط في النشاط عبر مناطق الدماغ بدلاً من المضي قدماً على أساس كل فوكسل على حدة كما هو متبع في التحليل أحادي المتغير. على سبيل المثال، يمكننا تصور مجموعة بيانات افتراضية بسيطة لـ 50 مشاركاً بشرياً حيث تم قياس ثلاث مناطق فقط مُحددة كفوكسلات في الدماغ. يكمن الهدف العام للتحليل متعدد المتغيرات في تحديد المصادر الرئيسية للتباين في البيانات، ثم وصف التأثيرات الرئيسية ذات الأهمية في تلك البيانات.

فيما يتعلق بمصادر هذه المتغيرات، لا يهتم التحليل أحادي المتغير بالارتباط بين الفوكسلات (voxels). وسيتم التعامل مع كلا اللوحتين الظاهرتين هنا بطريقة متماثلة بواسطة التحليل أحادي المتغير، بغض النظر عن وجود ارتباط بين الفوكسلات من عدمه. في هذا الفيديو، سيتم استعراض إجراءات التحليل لكل من التحليل أحادي المتغير والتحليل متعدد المتغيرات على مجموعة بيانات سريرية تحتوي على صور مسح PET لـ FTG في حالة الراحة لـ 95 مريضاً في المراحل المبكرة من مرض الزهايمر (AD) و102 من الضوابط الصحية (H) المطابقة؛ ومن بين جميع صور الدماغ، تم اختيار 20 صورة عشوائياً من المرضى والضوابط لتكون عينة الاشتقاق.

تشكل عمليات المسح الـ 75 والـ 82 المتبقية على التوالي عينة التكرار. والآن لنرى كيفية تطبيق التحليلات أحادية المتغير ومتعددة المتغيرات على مجموعة البيانات هذه. بدءاً من النهج أحادي المتغير، يتم الحصول على مؤشر مرض الزهايمر أحادي المتغير باستخدام برنامج SPM. ولمقارنة عمليات المسح الـ 20 لمرض الزهايمر مع عمليات المسح الـ 20 للمجموعة الضابطة في عينة الاشتقاق، يتم تحديد موقع الدماغ الذي يظهر أكبر انخفاض في إشارة pet لدى مرضى AD مقارنة بالمجموعات الضابطة.

باستخدام اختبار T لاختبار الفعالية التشخيصية لهذه المنطقة، تحقق من البيانات في عينة التكرار لنفس منطقة الدماغ هذه، ثم ارسم إشارة pet الخاصة بها كدالة في حالة المرض. بعد ذلك، استخرج المؤشر متعدد المتغيرات. يُستخدم صندوق أدوات MATLAB مخصص متاح عبر الإنترنت لإجراء التحليل متعدد المتغيرات باستخدام صندوق أدوات MATLAB المخصص.

قم بإجراء تحليل المكونات الرئيسية (PCA) على المسوحات الأربعين المجمعة في عينة الاشتقاق. بعد ذلك، قم ببناء نمط Covance من المكونات الرئيسية الستة الأولى التي تظهر درجات الأشخاص فيها أقصى فرق في المتوسط بين 80 مريضاً ومجموعة ضابطة من الأصحاء. وبمجرد الحصول على نمط Covance التشخيصي من عينة الاشتقاق، قم بتطبيقه على عينة التكرار، ثم قم برسم درجات الأشخاص الناتجة كدالة في حالة المرض وقارن الأداء في العينتين.

لتقديم مقارنة أكثر عمومية بين النهجين أحادي المتغير ومتعدد المتغيرات، قم بإجراء محاكاة لعينة مقسمة وكرر الخطوات السابقة 1000 مرة على بيانات مُعاد أخذ عيناتها، بحيث يتم في كل مرة تكوين عينة اشتقاق من 20 إلى 20 وعينة تكرار من 75 إلى 82 من المرضى والضوابط الصحية من جديد. تُعد محاكاة العينات المقسمة شائعة في الأبحاث المنهجية لأنها توفر اختباراً سهلاً للمؤشرات المشتقة في عينة الاشتقاق من خلال تسجيل أخطاء التنبؤ الخاصة بها في عينة التكرار، قم بحساب مؤشرات المرض أحادية المتغير ومتعددة المتغيرات من عينة الاشتقاق وحدد عتبة القرار بحيث يتم تصنيف ضابط صحي واحد على الأكثر بشكل خاطئ على أنه ad، وهو ما يتوافق مع نوعية تبلغ 95% وأخيراً، قم بتطبيق مؤشرات المرض مع عتبات القرار المحددة الخاصة بها على عينات التكرار وسجل معدلات خطأ التصنيف في عينة التكرار لجميع تكرارات إعادة أخذ العينات. سنلقي الآن نظرة على نتائج التحليلات أحادية المتغير ومتعددة المتغيرات ومحاكاة العينات المقسمة.

بالنسبة لتحليل المنطقة أحادية الجانب، وُجد أن أكبر منطقة نقص في FDG المرتبطة بمرض الزهايمر كانت في التلفيف قبل الوتدي (Precuneus) منطقة برودمان 31. وقد بلغت المساحة تحت منحنى الخصائص التشغيلية للمستقبل (AUC) قيمة 0.90.

كان تعميم هذا التباين على عينة التكرار جيداً جداً، حيث بلغت المساحة تحت منحنى ROC 0.84 للتحليل متعدد المتغيرات، مع وجود مناطق ذات تحميلات إيجابية تشير إلى الحفاظ النسبي على الإشارة في مواجهة المرض في المخيخ، بينما لوحظ فقدان في الإشارة المرتبطة في المناطق الصدغية والجبهية والتلفيف الحزامي الخلفي. وكانت المساحات تحت منحنيات ROC في كل من عينات الاشتقاق والتكرار أفضل قليلاً من المؤشر أحادي المتغير، حيث بلغت 0.96 و 0.88 على التوالي. ومن خلال معدلات خطأ التصنيف الإجمالية المسجلة في محاكاة عينة التقسيم لـ 1000 حالة، يمكننا أن نلحظ أن المؤشر متعدد المتغيرات يعطي تكراراً أفضل لأداء التشخيص مقارنة بالمؤشر أحادي المتغير. لقد عرضنا لكم للتو كيفية تطبيق التحليل متعدد المتغيرات على مشكلة تشخيص مرض Alzheimer في فحوصات Ft.G PET.

جميع البيانات متاحة للعموم عبر الموقع الإلكتروني لمبادرة التصوير العصبي لمرض الزهايمر (Alzheimer's Disease Neuroimaging Initiative). عند تنفيذ هذا الإجراء على بيانات حقيقية، من المهم تذكر أن خطوات مراقبة الجودة المعتادة قد تم تطبيقها مسبقاً؛ إذ لا يمكن لأي تحليل أن يحقق نتائج دقيقة باستخدام بيانات رديئة.

هذا كل شيء. شكراً لكم على المشاهدة، وبالتوفيق في تحليلاتكم.