Bases de la neuroimagerie analyse multivariée des données

Ce vidéo démontre et compare les techniques d'analyse multivariée et univariée appliquées aux données d'imagerie cérébrale, dans le contexte du diagnostic de la maladie d'Alzheimer. Dans un premier temps, l'activité cérébrale de 20 patients atteints d'une forme précoce de la maladie d'Alzheimer est comparée à celle de 20 sujets témoins sains appariés par âge, dans le cadre d'une analyse univariée. L'outil SPM est utilisé pour identifier la région cérébrale présentant le déficit relatif le plus important du signal FDG en imagerie par tomographie par émission de positons (PET) chez les patients Alzheimer par rapport aux sujets témoins.

Pour l'analyse multivariée, une analyse en composantes principales suivie d'une analyse discriminante linéaire est utilisée pour obtenir les résultats des marqueurs, qui indiquent que le marqueur multivarié offre une performance diagnostique supérieure à celle du marqueur univarié et une meilleure généralisation à des données indépendantes. Bonjour, je suis Christian Halbeck de l'Institut TA, du Département de neurologie du Centre médical de l'Université Columbia. Aujourd'hui, nous allons vous montrer un exemple d'analyse de données multivariées à partir de données d'imagerie cérébrale.

Nous utilisons cette procédure dans notre laboratoire pour étudier la méthode optimale de détection précoce de la maladie d'Alzheimer à partir de données d'imagerie cérébrale. Commençons donc. Commencez par un aperçu conceptuel de l'analyse multivariée des données d'imagerie cérébrale.

Les approches multivariées évaluent la corrélation de l'activité entre différentes régions cérébrales, plutôt que de procéder voxel par voxel comme c'est le cas avec l'analyse univariée. Par exemple, on peut imaginer un ensemble de données hypothétique et simple provenant de 50 participants humains, dans lequel seules trois régions, désignées comme des voxels dans le cerveau, ont été mesurées. L'objectif général de l'analyse multivariée est d'identifier les principales sources de variance dans les données, puis de décrire les effets principaux d'intérêt présents dans ces données.

En ce qui concerne ces sources de variantes, l'analyse univariée ne tient pas compte de la corrélation entre les voxels. Les deux panneaux présentés ici seraient traités de manière identique par une analyse univariée, qu'il existe ou non une corrélation entre les voxels. Dans cette vidéo, la procédure d'analyse pour les approches univariée et multivariée sera démontrée sur un jeu de données cliniques comprenant des examens au PET au FTG au repos pour 95 patients atteints de la maladie d'Alzheimer précoce ou AD et 102 témoins sains appariés. Parmi l'ensemble des images cérébrales, 20 ont été choisies aléatoirement parmi les patients et les témoins pour constituer l'échantillon de dérivation.

Les 75 et 82 scans restants constituent respectivement l'échantillon de réplication. Voyons maintenant comment appliquer des analyses univariées et multivariées à ce jeu de données. En commençant par l'approche univariée, obtenez le marqueur de la maladie d'Alzheimer Univar à l'aide du logiciel SPM. Afin de comparer les 20 scans de la maladie d'Alzheimer aux 20 scans témoins dans l'échantillon de dérivation, sélectionnez l'emplacement cérébral qui présente la plus forte diminution du signal TEP chez les patients atteints de la maladie d'Alzheimer par rapport aux témoins.

À l'aide d'un test T pour évaluer l'efficacité diagnostique de cette région, vérifiez les données dans l'échantillon de réplication pour cette même région cérébrale, puis représentez graphiquement son signal TEP en fonction du statut pathologique. Ensuite, obtenez le marqueur multivarié. Une boîte à outils MATLAB personnalisée disponible en ligne est utilisée pour l'analyse multivariée à l'aide de la boîte à outils MATLAB personnalisée.

Effectuer une analyse en composantes principales (ACP) sur les 40 scans combinés de l'échantillon de développement. Ensuite, construire un modèle Covance à partir des six premières composantes principales dont les scores individuels montrent une différence moyenne maximale entre 80 patients et des témoins sains. Une fois le modèle diagnostique Covance obtenu à partir de l'échantillon de développement, l'appliquer à l'échantillon de réplication, représenter graphiquement les scores individuels obtenus en fonction du statut pathologique et comparer les performances dans les deux échantillons.

Pour effectuer une comparaison plus générale des approches univariées et multivariées, réalisez une simulation par échantillonnage divisé et répétez les étapes précédentes 1000 fois sur des données rééchantillonnées, en constituant à chaque fois un échantillon de développement de 20 à 20 et une réplication de 75 à 82 parmi 80 patients et sujets témoins sains, fraîchement constitués. Les simulations par échantillonnage divisé sont courantes en recherche méthodologique, car elles permettent un test simple des marqueurs obtenus dans l’échantillon de développement en enregistrant leurs erreurs de prédiction dans l’échantillon de réplication. Calculez les marqueurs de maladie univariés et multivariés à partir de l’échantillon de développement et fixez le seuil de décision de sorte qu’au plus un témoin sain soit mal classé comme malade, ce qui correspond à une spécificité de 95 %. Enfin, appliquez les marqueurs de maladie avec leurs seuils de décision spécifiques aux échantillons de réplication et enregistrez les taux d’erreur de classification dans l’échantillon de réplication pour toutes les itérations de rééchantillonnage. Nous allons maintenant examiner les résultats des analyses univariées et multivariées ainsi que des simulations par échantillonnage divisé.

Pour l'analyse de la zone univ. La zone du déficit FDG le plus important lié à l'ad se situait dans l'aire de Brodmann 31 du précunéus. La surface sous la courbe ROC obtenue était de 0,90.

La généralisation de ce contraste à l'échantillon de réplication était assez bonne, avec une aire sous la courbe ROC de 0,84 pour l'analyse multivariée. Les régions présentant des charges positives, suggérant une préservation relative du signal malgré la maladie, ont été observées dans le cervelet, tandis qu'une perte de signal associée a été détectée dans les régions temporales pariétales et frontales ainsi que dans le gyrus du cortex cingulaire postérieur. Les aires sous les courbes ROC dans les échantillons de dérivation et de réplication étaient légèrement supérieures à celles du marqueur univarié, avec respectivement 0,96 et 0,88. À partir des taux d'erreur de classification totale enregistrés lors des 1000 simulations d'échantillons divisés, on peut constater que le marqueur multivarié assure une meilleure réplication de la performance diagnostique que le marqueur univarié. Nous venons de vous montrer comment appliquer une analyse multivariée au problème diagnostique de la maladie d'Alzheimer à partir de scans PET au FTG.

Toutes les données sont accessibles publiquement sur le site web de l'Alzheimer's Disease Neuroimaging Initiative. Lors de l'application de cette procédure à de véritables données, il est important de se rappeler que les étapes habituelles de contrôle de qualité ont déjà été appliquées au préalable. Aucune analyse ne peut accomplir de miracle avec des données de mauvaise qualité.

Voilà donc tout. Merci d'avoir regardé et bonne chance avec votre analyse.