Identificazione delle malattie legate Patterns covarianza spaziale utilizzando i dati Neuroimmagine

L'obiettivo generale di questa procedura è determinare i biomarcatori di imaging del modello Covance dei disturbi cerebrali neurofunzionali. Ciò si ottiene ottenendo prima scansioni cerebrali a volume singolo di un set di pazienti clinicamente pre-diagnosticati e un set di controlli normali abbinati all'età e preferibilmente al sesso utilizzando modalità come PET spect, A-S-L-F-M-R-I o V-B-M-M-R-I. Il secondo passo consiste nel normalizzare spazialmente le immagini in un modello stereotassico comune.

Successivamente, una tecnica multivariata. Viene eseguito il modello Scaled SubProfile dell'analisi delle componenti principali o S-S-M-P-C-A e vengono esaminati i componenti principali di uscita o PC e i punteggi delle materie corrispondenti. Il passo finale consiste nel determinare il miglior PC o combinazione di PC che definisca un modello di Covance che discrimina i pazienti dai controlli.

In definitiva, il modello di Covance può essere utilizzato per valutare i singoli potenziali soggetti in base alla loro espressione della malattia. Il vantaggio di questo metodo rispetto ad alcune delle tecniche comparative di voxel singolo più diffuse è la capacità di identificare e misurare l'attività delle reti cerebrali. Questi sono modelli di Covance regionali distribuiti nel cervello.

Ancora più importante, consente di misurare l'attività di una data rete nel cervello e di riassumerla con un singolo numero che è un attributo importante per l'indagine clinica. Questo metodo può aiutare a rispondere a domande chiave nel campo delle neuroscienze, come l'identificazione delle reti metaboliche per diverse malattie neurologiche che presentano sintomi simili nelle prime fasi della progressione della malattia. Le implicazioni di questa tecnica si estendono sia alla diagnosi differenziale che alla pianificazione del trattamento per malattie come il morbo di Parkinson perché è possibile ottenere un punteggio a soggetto singolo, che può quindi essere applicato alla diagnosi differenziale e alla pianificazione del trattamento.

Anche se questo metodo può fornire informazioni sulle sindromi parkinsoniane. Può essere applicato anche ad altre malattie neurodegenerative come il morbo di caccia e il morbo di Alzheimer. In generale, gli individui nuovi a questo metodo avranno difficoltà con concetti univi preconcetti che considerano gli effetti della malattia localizzati in cluster regionali isolati.

Il Dr. James Moler ha avuto l'idea di questo metodo quando ha applicato questo concetto per studiare la demenza nei pazienti con AIDS. La dimostrazione visiva di questo metodo è importante per comprendere i processi coinvolti nell'analisi delle reti. Tuttavia, i passaggi effettivi coinvolti nell'utilizzo dei nostri programmi non sono difficili da apprendere perché sono altamente automatizzati. Per studiare il metabolismo cerebrale utilizzando la tomografia a emissione di positroni o la PET, somministrare prima un tracciante di radionuclidi come il fluoro 18 F, desossiglucosio a ciascun paziente nel gruppo di malattia dopo un digiuno di almeno 12 ore senza farmaci e a ciascun controllo normale.

Attendere 45 minuti affinché il tracciante raggiunga l'equilibrio nel tessuto. Quindi scansiona ogni individuo mentre è a riposo con gli occhi aperti per la derivazione del modello. Eseguire la scansione di un numero uguale di pazienti e controlli con corrispondenza di sesso e H una volta completata la scansione.

Trasferisci i dati dell'immagine su una workstation e convertili in un formato appropriato per l'analisi. Il software di analisi MATLAB basato su Windows utilizzato qui richiede la conversione da formati avanzati ge per analizzare o immagini in formato elegante. Successivamente, normalizza l'immagine di ciascun soggetto in uno spazio stereotassico comune utilizzando un pacchetto software di neuroimaging standard come SPM, in modo che ci sia una corrispondenza uno-a-uno dei valori voxel tra i soggetti.

Quindi applicare una maschera di materia grigia all'immagine normalizzata per limitare l'analisi alle aree di materia grigia. Se non è disponibile una maschera esterna, creare maschere soggetto individuali escludendo i valori inferiori a una soglia specificata. Percentuale del valore massimo di ciascun soggetto e moltiplicare le maschere per definire uno spazio voxel composito di materia cerebrale grigia per l'analisi.

Per eseguire l'analisi dei componenti del principio del modello SubProfile in scala multivariata o S-S-M-P-C-A, utilizzare le routine interne di scansione VP disponibili sul sito Web di Feinstein neuroscience. Disponibile anche come toolbox di mappatura parametrica statistica, SSM PCA nel menu VP di scansione, selezionare le statistiche. Poi SSM, poi basato su voxel e infine PCA.

Quindi, seleziona i controlli di selezione nel menu e seleziona le immagini di controllo precedentemente normalizzate. Quindi selezionare i file immagine per inserire le immagini normalizzate del paziente. Selezionare una maschera o una soglia appropriata e selezionare le altre opzioni del menu.

Quindi, premere il processo e inserire un nome per l'output sperimentale. Attendere che il display visualizzi le immagini dei componenti principali di interesse nei file di punteggio corrispondenti per altri software. Emula l'algoritmo eseguito dal processo automatizzato appena descritto.

Per ottenere questo risultato, i dati della prima maschera utilizzano una maschera immagine zero uno disponibile per rimuovere le aree indesiderate dello spazio voxel come la sostanza bianca e i ventricoli, come descritto nella fase di pre-elaborazione. Successivamente, converti i dati della trincea dell'immagine mascherata 3D di ciascun soggetto in un vettore di riga continua aggiungendo linee di scansione sequenziali da piani consecutivi a formare una matrice di dati di gruppo in modo che i dati di ciascun soggetto corrispondano a una riga specifica della matrice. Ogni colonna rappresenta quindi un particolare voxel tra gli argomenti.

Una volta che ogni soggetto è stato caricato nella matrice, trasforma ogni immissione di dati in forma logaritmica. Quindi centrare la matrice di dati sottraendo ogni media di riga o media dell'oggetto dagli elementi della riga. La media di tutte le righe centrate rappresenta un'immagine di log media di gruppo, un termine da un gruppo, un profilo medio o GMP.

Quindi, sottrai le medie della colonna dagli elementi della colonna della matrice corrispondenti. Ogni riga della matrice a doppio centro rappresenta un'immagine residua chiamata profilo residuo del soggetto o SRP i cui elementi rappresentano deviazioni sia dal soggetto S che dal gruppo voxel V, il che significa che ciò avviene secondo l'equazione mostrata qui dove S-R-P-S-V è un elemento della matrice SRP corrispondente al soggetto S e al voxel. VDSV è il valore medio dei dati originali, S è il valore medio del soggetto e GMPV è il valore medio del gruppo del voxel V.Successivamente, costruisci la matrice di Covance soggetto per soggetto C della matrice di dati SRP composita a doppio centro calcolando la Covance non normalizzata tra ciascuna coppia di righe della matrice del profilo residuo del soggetto.

Utilizzando questa equazione mostrata qui dove CIJ è un elemento della matrice di Covance simmetrica, C e c, RRP IV e CRP JV sono elementi voxel corrispondenti della matrice CRP rosa INJ che vengono moltiplicati e sommati su tutti i voxel. Quindi applicare l'analisi delle componenti principali al soggetto per soggetto Matrice di Covance C.I risultati saranno un insieme di vettori egen del punteggio del soggetto con valori egen associati. Quindi pesare ogni vettore moltiplicandolo per la radice quadrata del suo corrispondente valore egen.

L'insieme degli autovettori del punteggio è rappresentato dalle colonne della matrice S mostrate qui. Successivamente, determinare i vettori egen voxel per lo stesso insieme di valori egen moltiplicando la matrice vettoriale del punteggio per la trasposizione della matrice del profilo residuo del soggetto. Questo crea un array P di modello di voxel, vettori egen in un ordine decrescente di valori egen secondo l'equazione mostrata qui dove P è la matrice dei principali vettori egen di voxel componenti.

SRPT è la trasposizione della matrice SRP e S è la matrice vettoriale del punteggio, quindi trasforma ogni vettore in un'immagine componente principale. A ciascuna immagine del componente principale viene attribuita una percentuale della varianza totale contabilizzata o VAF corrispondente alla dimensione relativa del suo valore di igon. Esaminare i risultati dell'analisi dei componenti principali per determinare i modelli associati a valori elevati contabilizzati.

I vettori e i punteggi dei pattern voxel vengono trasformati in Z in modo che i loro valori rappresentino deviazioni standard positive e negative dai valori medi. Successivamente, cerca di identificare le deviazioni regionali associate alla malattia che viene studiata. Quindi esaminare i grafici a dispersione dei punteggi corrispondenti a ciascun modello di componente principale.

È inoltre possibile generare un grafico delle caratteristiche operative del ricevitore opzionale per identificare un modello specifico della malattia. Valutare la differenziazione dei punteggi dei soggetti tra pazienti e controlli esaminando i valori P dei corrispondenti due test T campione e i valori dell'area sotto la curva. Successivamente, il vettore normalizza e combina linearmente i componenti principali selezionati per produrre un singolo modello correlato alla malattia.

Per fare ciò, la funzione MATLAB, GLM fit viene utilizzata per determinare i coefficienti basati sulla logistica o altri modelli di regressione applicabili ai punteggi dei soggetti. Una volta identificato un modello di biomarcatore, è possibile valutare l'espressione del suo punteggio in un potenziale soggetto dalla scansione di quell'individuo, questa operazione viene eseguita da TPR nel menu. Per ottenere ciò, utilizzare un semplice calcolo del prodotto vettoriale scalare interno del vettore SRP del soggetto e del vettore del modello GIS.

Infine, convalidare ulteriormente il potenziale biomarcatore del modello risultante mediante ricampionamento bootstrap utilizzando software esterno e mediante convalida diretta di gruppi di soggetti indipendenti. La convalida diretta è facilitata dall'utilizzo della TPR per determinare i punteggi per una coorte potenziale. Qui sono mostrate le esposizioni assiali attraverso l'origine delle prime quattro immagini principali dell'analisi SSM di 10 pazienti con malattia di Parkinson con diagnosi clinica con 10 controlli abbinati per età e sesso.

I colori caldi indicano aumenti relativi dell'attività metabolica. All'interno di questo principio, il contributo del componente al profilo residuo complessivo del soggetto, mentre i colori freddi indicano diminuzioni metaboliche relative. Il componente principale uno aveva la varianza più grande o valore VAF e il valore P più piccolo che rappresenta un'alta significatività ed è l'unico che potrebbe essere considerato da solo un potenziale biomarcatore indipendente.

Le regioni significative di variazione che contribuiscono al modello generale sono evidenti quando visualizzate in viste ortogonali Su uno sfondo di immagini strutturali MRI, la combinazione dei componenti principali può essere utilizzata per cercare di aumentare la significatività, come nel caso dei componenti uno e quattro, dove quando combinati abbassano il valore P suggerendo una significatività più alta. Questi grafici mostrano i grafici a barre indipendenti e i grafici a dispersione dei punteggi Z del soggetto di derivazione del componente principale uno e del componente principale quattro solo. Il primo componente principale discrimina in modo significativo i pazienti dai controlli.

Mentre il quarto dimostra una tendenza. La combinazione logistica lineare della componente principale uno e della componente principale quattro migliora la discriminazione. Come indicato in precedenza, il modello combinato dimostra una separazione perfetta a una soglia di punteggio Z di 0,9.

La combinazione della componente principale tre mostra una discriminazione leggermente aumentata rispetto alla combinazione di uno e quattro, ma tutte e quattro le componenti principali non hanno migliorato la discriminazione dei dati a causa della capacità di non discriminazione del principio. Componente. Due, la valutazione prospettica del punteggio dei modelli per la componente principale uno e i modelli combinati delle componenti principali uno e quattro componenti principali uno, tre e quattro e le componenti principali 1, 2, 3 e quattro per 22 controlli normali e 22 pazienti con PD sono mostrati qui. L'area sotto i valori della curva e la sensibilità sembrano diminuire per più di due componenti principali combinati.

Mentre i valori P tendono a diventare meno robusti, è stato notato un miglioramento insignificante per PC 1 quattro rispetto a PC 1 solo nei valori UC e P. In contrasto con la differenza significativa prevista nel campione di derivazione. Una volta che le scansioni dei pazienti con una malattia e dei soggetti di controllo richiedono l'identificazione e la convalida di modelli di malattia realistici e validi, diventa una procedura semplice utilizzando questo algoritmo Dopo che i modelli di malattia sono stati identificati e convalidati, altri metodi come l'analisi di correlazione dei punteggi dei pazienti con misure cliniche indipendenti possono essere utilizzati per rispondere a ulteriori domande.

Ad esempio, se il biomarcatore di imaging riflette manifestazioni motorie o cognitive della malattia o se le espressioni dei modelli di malattia possono aiutare a differenziare tra diverse condizioni che presentano sintomi simili in casi clinici difficili da diagnosticare. Non dimenticare che questa procedura non può essere applicata direttamente ai dati di risonanza magnetica funzionale delle serie temporali a causa delle fluttuazioni dinamiche nella risposta e del basso rapporto segnale/rumore associati ai segnali FMRI.