Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

El objetivo general de este procedimiento es determinar los biomarcadores de imágenes de patrón de Covance característicos de los trastornos cerebrales neurofuncionales. Esto se logra obteniendo primero escáneres cerebrales de un solo volumen de un conjunto de pacientes clínicamente prediagnosticados y un conjunto de controles normales que coincidan con la edad y preferiblemente el sexo utilizando modalidades como PET SPECT, A-S-L-F-M-R-I o V-B-M-M-R-I. El segundo paso es normalizar espacialmente las imágenes a una plantilla estereotáctica común.

A continuación, una técnica multivariante. Se realiza el modelo de subperfil a escala del análisis de componentes principales o S-S-M-P-C-A y se examinan los componentes principales de salida o PC y sus correspondientes puntuaciones de materias. El paso final es determinar el mejor PC o combinación de PC que defina un patrón de Covance que discrimine a los pacientes de los controles.

En última instancia, el patrón de Covance se puede utilizar para calificar a los posibles sujetos individuales en función de su expresión de la enfermedad. La ventaja de este método en relación con algunas de las técnicas populares de comparación de vóxeles individuales es la capacidad de identificar y medir la actividad de las redes cerebrales. Estos son patrones regionales de Covance distribuidos en el cerebro.

Y lo que es más importante, permite medir la actividad de una red determinada en el cerebro y resumirla en un solo número, lo que es un atributo importante para la investigación clínica. Este método puede ayudar a responder preguntas clave en el campo de la neurociencia, como la identificación de las redes metabólicas de diferentes enfermedades neurológicas que presentan síntomas similares en las primeras etapas de la progresión de la enfermedad. Las implicaciones de esta técnica se extienden tanto hacia el diagnóstico diferencial como hacia la planificación del tratamiento de enfermedades como la enfermedad de Parkinson, ya que se puede obtener una puntuación única del sujeto, que luego se puede aplicar al diagnóstico diferencial y a la planificación del tratamiento.

Sin embargo, este método puede proporcionar información sobre los síndromes parkinsonianos. También se puede aplicar a otros trastornos neurodegenerativos como la enfermedad de Hunting y la enfermedad de Alzheimer. Por lo general, los individuos nuevos en este método tendrán dificultades con conceptos preconcebidos de univa que consideran que los efectos de la enfermedad se localizan en grupos regionales aislados.

El Dr. James Moler tuvo la idea de este método cuando aplicó este concepto para estudiar la demencia en pacientes con SIDA. La demostración visual de este método es importante para comprender los procesos involucrados en el análisis de redes. Sin embargo, los pasos reales involucrados en el uso de nuestros programas no son difíciles de aprender porque están altamente automatizados. Para estudiar el metabolismo cerebral mediante tomografía por emisión de positrones o PET, primero administre un trazador de radionúclidos como fluoro 18 F, desoxiglucosa a cada paciente en el grupo de la enfermedad después de un ayuno de al menos 12 horas sin medicamentos y a cada control normal.

Espere 45 minutos para que el marcador alcance el equilibrio en el tejido. A continuación, escanee a cada individuo mientras está en reposo con los ojos abiertos para derivar el patrón. Escanee un número igual de pacientes y controles emparejados con el sexo y H una vez que se complete la exploración.

Transfiera los datos de imagen a una estación de trabajo y conviértalos a un formato adecuado para su análisis. El software de análisis MATLAB basado en Windows que se utiliza aquí requiere la conversión de formatos avanzados para analizar o imágenes de formato ingenioso. A continuación, normalice la imagen de cada sujeto a un espacio estereotáxico común utilizando un paquete de software de neuroimagen estándar como SPM, de modo que haya una correspondencia uno a uno de los valores de vóxel entre los sujetos.

A continuación, aplique una máscara de materia gris a la imagen normalizada para limitar el análisis a las áreas de materia gris. Si no hay una máscara externa disponible, cree máscaras de sujeto individuales excluyendo valores inferiores a un umbral especificado. Porcentaje del valor máximo de cada sujeto y multiplique las máscaras para definir un espacio vóxel de materia cerebral gris compuesto para el análisis.

Para realizar el análisis de componentes principales del modelo de subperfil a escala multivariante o S-S-M-P-C-A, utilice el VP de escaneo de rutinas interno disponible en el sitio web de neurociencia de Feinstein. También disponible como caja de herramientas de mapeo paramétrico estadístico, SSM PCA en el menú VP de escaneo, seleccione estadísticas. Luego SSM, luego basado en vóxeles y luego PCA.

A continuación, marque seleccionar controles en el menú y elija las imágenes de control previamente normalizadas. A continuación, seleccione los archivos de imagen para introducir las imágenes normalizadas del paciente. Seleccione una máscara o umbral adecuado y marque las demás opciones en el menú.

A continuación, presione proceso e ingrese un nombre para la salida experimental. Espere a que la pantalla vea las imágenes de los componentes principales de interés en sus archivos de partituras correspondientes para otro software. Emular el algoritmo ejecutado por el proceso automatizado que acabamos de describir.

Para lograr esto, enmascare los datos utilizando una máscara de imagen cero uno disponible para eliminar áreas no deseadas del espacio vóxel, como la materia blanca y los ventrículos, como se describe en el paso de preprocesamiento. A continuación, convierta los datos de trinchera de imagen enmascarada en 3D de cada sujeto en un vector de fila continua agregando líneas de escaneo secuenciales de planos consecutivos para formar una matriz de datos de grupo de modo que los datos de cada sujeto correspondan a una fila específica de la matriz. A continuación, cada columna representa un vóxel particular en todos los temas.

Una vez que cada tema se haya cargado en la matriz, transforme cada entrada de datos en forma logarítmica. A continuación, centre la matriz de datos restando el promedio de cada fila o la media de la materia de los elementos de la fila. El promedio de todas las filas centradas representa una imagen de registro media de grupo característica, un término a agrupar, un perfil medio o un GMP.

A continuación, reste las medias de la columna de los elementos de la columna de la matriz correspondiente. Cada fila de la matriz de doble centro representa una imagen residual denominada perfil residual del sujeto o SRP, cuyos elementos representan desviaciones tanto del sujeto S como del grupo V del vóxel, lo que significa que esto ocurre de acuerdo con la ecuación que se muestra aquí, donde S-R-P-S-V es un elemento de la matriz SRP correspondiente al sujeto S y al vóxel. VDSV es la media del valor de los datos originales, S es el valor medio del sujeto y GMPV es el valor medio del grupo del vóxel V. A continuación, construya la matriz de Covance C sujeto por tema de la matriz de datos SRP compuesta de doble centro calculando el Covance no normalizado entre cada par de filas de la matriz de perfil residual del sujeto.

Usando esta ecuación que se muestra aquí, donde CIJ es un elemento de la matriz simétrica de Covance, C y c, RRP IV y CRP JV son elementos de vóxel correspondientes de la matriz CRP rose INJ que se multiplican y suman sobre todos los vóxeles. A continuación, aplique el análisis de componentes principales a la matriz de Covance sujeto por sujeto. Los resultados serán un conjunto de vectores egen de puntuación del sujeto con valores de egen asociados. A continuación, pondera cada vector multiplicándolo por la raíz cuadrada de su valor egen correspondiente.

El conjunto de vectores de puntuación eigen está representado por las columnas de la matriz S que se muestran aquí. A continuación, determine los vectores de egen de vóxel para el mismo conjunto de valores de egen multiplicando la matriz de vectores de puntuación por la transposición de la matriz de perfil residual del sujeto. Esto crea una matriz P de patrón de vóxel, vectores egen en un orden descendente de valores egen de acuerdo con la ecuación que se muestra aquí, donde P es la matriz de vectores vóxel egen del componente principal.

SRPT es la transposición de la matriz SRP y S es la matriz vectorial de puntuación, luego transforma cada vector en una imagen componente principal. Cada imagen del componente principal se atribuye a un porcentaje de la varianza total contabilizada o VAF correspondiente al tamaño relativo de su valor igon. Examine los resultados del análisis de componentes principales para determinar los patrones asociados a los valores altos contabilizados.

Los vectores de patrón de vóxeles y las puntuaciones se transforman Z para que sus valores representen desviaciones estándar positivas y negativas de los valores medios. A continuación, intente identificar las desviaciones regionales asociadas con la enfermedad que se está estudiando. A continuación, examine los diagramas de dispersión de las puntuaciones correspondientes a cada patrón de componentes principales.

También se puede generar un gráfico opcional de características de funcionamiento del receptor para identificar un patrón específico de la enfermedad. Evalúe la diferenciación de las puntuaciones de los sujetos entre los pacientes y los controles mediante el examen de los valores de P de las dos pruebas T de muestra correspondientes y los valores del área bajo la curva. A continuación, el vector normaliza y combina linealmente los componentes principales seleccionados para producir un único patrón relacionado con la enfermedad.

Para ello, se utiliza la función GLM fit de MATLAB para determinar los coeficientes basados en modelos logísticos u otros modelos de regresión aplicados a las puntuaciones de los sujetos. Una vez que se ha identificado un patrón de biomarcadores, se puede evaluar su expresión de puntuación en un sujeto prospectivo a partir de la exploración de ese individuo, esta operación se realiza mediante TPR en el menú. Para lograr esto, use un cálculo simple del producto del vector de puntos interno del vector SRP del sujeto y el vector de patrón SIG.

Por último, se validará aún más el biomarcador de patrón potencial resultante mediante el remuestreo de bootstrap utilizando software externo y mediante la validación directa de grupos de sujetos independientes. La validación directa se facilita mediante el uso de TPR para determinar las puntuaciones de una cohorte prospectiva. Aquí se muestran pantallas axiales a través del origen de las primeras cuatro imágenes de componentes principales del análisis SSM de 10 pacientes con enfermedad de Parkinson diagnosticados clínicamente con 10 controles emparejados por edad y sexo.

Los colores calientes indican aumentos relativos en la actividad metabólica. Dentro de ese principio, la contribución de los componentes al perfil residual general del sujeto, mientras que los colores fríos indican disminuciones metabólicas relativas. El componente principal uno tuvo la mayor varianza explicada o valor de VAF y el menor valor de P representa una alta significación y es el único que podría considerarse solo como un potencial biomarcador independiente.

Las regiones significativas de variación que contribuyen al patrón general son evidentes cuando se muestran en vistas ortogonales sobre el fondo de una imagen estructural de resonancia magnética, la combinación de componentes principales se puede utilizar para tratar de aumentar la significación, como en el caso de los componentes uno y cuatro, donde cuando se combinan disminuye el valor de P sugiriendo una mayor significación. Estos gráficos muestran los gráficos de barras independientes y los diagramas de dispersión de las puntuaciones Z del sujeto de derivación del componente principal uno y del componente principal cuatro únicamente. El primer componente principal discrimina significativamente a los pacientes de los controles.

Mientras que el cuarto muestra una tendencia. La combinación logística lineal del componente principal uno y el componente principal cuatro mejora la discriminación. Como se indicó anteriormente, el patrón combinado demuestra una separación perfecta en un umbral de puntuación Z de 0,9.

La combinación del componente principal tres muestra una discriminación ligeramente mayor que la combinación de uno y cuatro, pero los cuatro componentes principales no mejoraron la discriminación de datos debido a la capacidad de no discriminación del principio. Componente. En segundo lugar, se muestra la evaluación prospectiva de los patrones para el componente principal uno y los patrones combinados de los componentes principales uno y cuatro componentes principales uno, tres y cuatro y los componentes principales 1, 2, 3 y cuatro para 22 controles normales y 22 pacientes con EP. El área bajo la curva, los valores y la sensibilidad parecen disminuir para más de dos componentes principales combinados.

Si bien los valores de P tienden a ser menos robustos, se observó una mejora insignificante para PC uno cuatro sobre PC uno solo en los valores de UC y P. En contraste con la diferencia significativa predicha en la muestra de derivación. Una vez que se requieren las exploraciones de pacientes con una enfermedad y sujetos de control para la identificación y validación de patrones de enfermedad realistas y válidos, se convierte en un procedimiento sencillo utilizando este algoritmo Una vez que se han identificado y validado los patrones de la enfermedad, se pueden utilizar otros métodos, como el análisis de correlación de las puntuaciones de los pacientes con medidas clínicas independientes, para responder preguntas adicionales.

Por ejemplo, si el biomarcador de imagen refleja las manifestaciones motoras o cognitivas de la enfermedad o si las expresiones de los patrones de la enfermedad pueden ayudar a diferenciar entre diferentes afecciones que presentan síntomas similares en casos clínicos difíciles de diagnosticar. No olvide que este procedimiento no se puede aplicar directamente a los datos de resonancia magnética funcional de series temporales debido a las fluctuaciones dinámicas en la respuesta y la baja relación señal-ruido asociada con las señales de RMF.