データを神経画像の多変量解析の基礎

このビデオでは、アルツハイマー病の診断への応用を例に、神経画像データの多変量解析および単変量解析の手法を実演し、比較します。まず、単変量解析のために、20名の早期アルツハイマー病患者と、年齢を一致させた20名の健康対照群の脳活動を対比させます。SPMを用いて、対照群と比較してアルツハイマー病患者でFDG PET信号の相対的な低下が最も顕著に認められる脳領域を特定します。

多変量解析では、線形判別分析を用いた主成分分析によりマーカー結果を導出します。その結果、多変量マーカーは単変量マーカーよりも優れた診断能を示し、独立したデータに対してもより高い汎化性能を持つことが示されます。こんにちは。コロンビア大学医学センター神経内科 TA Institute の Christian Halbeck です。本日は、神経画像データの多変量データ解析の例をご紹介します。

当研究室では、神経画像データからアルツハイマー病を早期に検出するための最適な方法を研究するために、この手順を用いています。それでは、始めていきましょう。まずは、神経画像データの多変量解析に関する概念的な概要から説明します。

多変量解析アプローチでは、単変量解析のようにボクセル単位で処理を進めるのではなく、脳領域間の活動の相関を評価します。例えば、脳内のボクセルとして指定された3つの領域のみを測定した、50人のヒト被験者による単純な仮想データセットを想定してみましょう。多変量解析の一般的な目的は、データにおける分散の主要な要因を特定し、その上でデータに含まれる関心のある主効果を記述することです。

これらのバリアント（変異）の要因に関して、単変量解析ではボクセル間の相関が考慮されません。ここで示されている両方のパネルは、ボクセル間に相関があるかどうかにかかわらず、単変量解析では同一の方法で処理されます。このビデオでは、AD（アルツハイマー病）の早期患者95名と、それに対応する健康な対照群102名のFTG PET安静時スキャンを含む臨床データセットを用いて、単変量解析および多変量解析の両方の解析手順を実演します。すべての脳画像のうち、患者と対照群からそれぞれ20枚をランダムに抽出し、導出サンプルとします。

残りの75回および82回のスキャンが、それぞれ再現サンプルとなります。次に、このデータセットに単変量解析と多変量解析の両方をどのように適用するかを見ていきましょう。まず単変量アプローチから始め、SPMソフトウェアを用いて単変量アルツハイマー病マーカーを求めます。導出サンプルにおけるADスキャン20回と対照群のスキャン20回を対比させるために、対照群と比較してAD患者でPET信号が最も大きく減少している脳部位を選択してください。

T検定を用いてこの領域の診断能を検証し、同じ脳領域の再現サンプルにおけるデータを確認して、疾患の状態を関数としてPET信号をプロットします。次に、多変量マーカーを取得します。カスタムMATLABツールボックスを用いた多変量解析には、オンラインで入手可能なカスタムMATLABツールボックスを使用します。

派生サンプルにおける計40回のスキャンに対して、主成分分析（PCA）を行います。次に、80名の患者と健康な対照群の間で主成分スコアの平均差が最大となる上位6つの主成分から、Covanceパターンを構築します。派生サンプルから診断用Covanceパターンを得たら、それを再現サンプルに適用し、得られた被験者スコアを疾患状態でプロットして、2つのサンプル間での性能を比較します。

単変量アプローチと多変量アプローチをより一般的に比較するために、分割サンプルシミュレーションを実行し、再サンプリングされたデータに対して前述のステップを1000回繰り返します。その際、毎回、20例から20例の導出サンプルと、80名の患者および健常対照群からなる75例から82例の再現サンプルを新たに作成します。分割サンプルシミュレーションは、導出サンプルから得られたマーカーの予測誤差を再現サンプルで記録することで、そのマーカーを容易に検証できるため、方法論的な研究において一般的です。導出サンプルから単変量および多変量の疾患マーカーを算出し、最大1名の健常対照群がADと誤分類されるように決定しきい値を設定します。これは特異度95%に相当します。最後に、それぞれの決定しきい値を伴う疾患マーカーを再現サンプルに適用し、すべての再サンプリング反復における再現サンプルの分類エラー率を記録します。それでは、単変量分析および多変量分析の結果と、分割サンプルシミュレーションのエミュレーションを確認しましょう。

単変量解析において、ADに関連する最大のFDG低下領域は、前帯状回（ブロードマン領域31）で認められました。また、得られたROC曲線の下面積（AUC）は0.90でした。

このコントラストの再現サンプルへの汎用性は非常に高く、多変量解析のROC曲線下面積（AUC）は0.84でした。正の負荷量を持つ領域は、疾患に直面しても信号が相対的に保持されていることを示唆しており、小脳で認められました。一方で、関連する信号の消失は、側頭葉、前頭葉、および後帯状回で認められました。導出サンプルと再現サンプル双方におけるROC曲線下面積は、それぞれ0.96および0.88であり、単変量マーカーよりもわずかに優れた結果となりました。1000回の分割サンプルシミュレーションで記録された総分類エラー率から、多変量マーカーが単変量マーカーよりも診断性能の再現性が高いことがわかります。以上で、Ft.G PETスキャンにおけるアルツハイマー病の診断問題に多変量解析を適用する方法について解説しました。

すべてのデータは、Alzheimer's Disease Neuroimaging Initiativeのウェブサイトから公開されています。実際のデータを用いてこの手順を行う際は、事前に通常の品質管理ステップが適用されていることを念頭に置くことが重要です。質の低いデータに対して、解析で魔法のような効果を得ることはできません。

以上です。ご視聴ありがとうございました。分析の成功をお祈りいたします。