ニューロイメージングデータを用いた疾患関連空間共分散パターンの同定

この手順の全体的な目標は、神経機能性脳障害の特徴的なコーヴァンスパターンイメージングバイオマーカーを決定することです。これは、最初に、臨床的に事前に診断された患者のセットの単一ボリュームの脳スキャンと、PET spect、A-S-L-F-M-R-I、またはV-B-M-M-R-Iなどのモダリティを使用して、年齢およびできれば性別が一致した一連の正常コントロールを取得することによって達成されます。2 番目のステップは、画像を共通の定位テンプレートに空間的に正規化することです。

次に、多変量手法です。主成分分析またはS-S-M-P-C-AのScaled SubProfileモデルが実行され、出力された主成分またはPCとそれに対応する被験者スコアが調べられます。最後のステップは、患者とコントロールを区別するコーヴァンスパターンを定義する最適な PC または PC の組み合わせを決定することです。

最終的には、コーヴァンスパターンを使用して、個々の見込み被験者の疾患の発現をスコアリングできます。この方法が、一般に普及しているシングルボクセル比較技術の一部と比較した場合の利点は、脳ネットワークの活動を特定して測定できることです。これらは、脳内に分布する局所的なコーヴァンスパターンです。

最も重要なことは、脳内の特定のネットワークの活動を測定し、それを臨床調査の主要な属性である単一の数値で要約できることです。この方法は、疾患進行の初期段階で同様の症状を示すさまざまな神経疾患の代謝ネットワークを特定するなど、神経科学の分野における重要な質問に答えるのに役立ちます。この手法の意味は、パーキンソン病などの疾患の鑑別診断と治療計画の両方にまで及びます。なぜなら、単一の被験者スコアを取得でき、それを鑑別診断と治療計画に適用できるからです。

この方法はパーキンソン症候群への洞察を提供することができますが。また、ハンティング病やアルツハイマー病などの他の神経変性疾患にも適用できます。一般に、この方法に不慣れな個人は、病気の影響が孤立した地域クラスターに局在すると考える先入観のあるユニバの概念に苦労します。

ジェームズ・モーラー博士は、この概念をエイズ患者の認知症の研究に適用したときに、この方法を最初に思いつきました。この手法を視覚的に示すことは、ネットワーク解析に関連するプロセスを理解するために重要です。しかし、私たちのプログラムを使用する際の実際の手順は、高度に自動化されているため、習得するのが難しくありません 陽電子放出断層撮影法またはPETを使用して脳の代謝を研究するには、まず、18 Fフルオロ、デオキシグルコースなどの放射性核種トレーサーを、少なくとも12時間の薬の断食後、疾患グループの各患者に投与し、各正常なコントロールに投与します。

トレーサーが組織内で平衡に達するまで45分待ちます。次に、目を開けて静止している各個人をスキャンして、パターンの導き出を行います。スキャンが完了したら、性別とHが一致した患者とコントロールを同数

画像データをワークステーションに転送し、分析に適した形式に変換します。ここで使用するWindowsベースのMATLAB解析ソフトウェアでは、geの高度な形式から解析用または気の利いた形式の画像への変換が必要です。次に、SPMなどの標準的なニューロイメージングソフトウェアパッケージを使用して、各被験者の画像を共通の定位固定空間に正規化し、被験者間のボクセル値の1対1の対応ができるようにします。

次に、正規化された画像に灰白質マスクを適用して、分析を灰白質領域に限定します。外部マスクを使用できない場合は、指定したしきい値より小さい値を除外して、個々の被写体マスクを作成します。各被験者の最大値のパーセントとマスクを乗算して、分析用の複合灰白脳物質ボクセル空間を定義します。

多変量スケーリングされたSubProfileモデル主成分分析またはS-S-M-P-C-Aを実行するには、Feinstein NeuroscienceのWebサイトにある社内ルーチンスキャンVPを使用します。また、統計パラメトリックマッピングツールボックスとして、スキャンVPメニューのSSM PCAで統計を選択します。次にSSM、次にボクセルベース、そしてPCAと。

次に、メニューのセレクトコントロールにチェックを入れ、以前に正規化されたコントロール画像を選択します。次に、画像ファイルを選択して、正規化された患者画像を入力します。適切なマスクまたはしきい値を選択し、メニューの他のオプションを確認します。

次に、processを押して、実験出力の名前を入力します。ディスプレイが、他のソフトウェアの対応するスコアファイルに関心のある主要なコンポーネント画像を表示するのを待ちます。前述の自動化プロセスによって実行されるアルゴリズムをエミュレートします。

この最初のマスクを達成するために、前処理ステップで説明したように、白質や心室などのボクセル空間の不要な領域を除去するために、利用可能なゼロワン画像マスクを使用してデータをマスクします。次に、各被験者のデータがマトリックスの特定の行に対応するように、連続する平面から連続したスキャンラインを追加して、各被験者の3Dマスクされた画像のフォックスホールデータを1つの連続行ベクトルに変換します。その後、各列はサブジェクト全体の特定のボクセルを表します。

各サブジェクトがマトリックスに読み込まれたら、各データ エントリを対数形式に変換します。次に、行要素から各行平均または被験者平均を減算して、データ行列を中央に配置します。中央に配置されたすべての行の平均は、特性グループ、平均、ログイメージ、グループ間の用語、平均プロファイル、またはGMPを表します。

次に、対応する行列列要素から列平均を減算します。二重中心行列の各行は、被写体残留プロファイルまたはSRPと呼ばれる残差画像を表し、その要素は被写体SとボクセルVグループの両方からの偏差を表し、これは、S-R-P-S-Vが被写体Sとボクセルに対応するSRP行列の要素であるここに示す式に従って発生することを意味します。VDSV は元のデータ値、平均 S は被験者の平均値、GMPV はボクセル V のグループ平均値です。次に、被験者残差プロファイル マトリックスの各ペア間の非正規化されたコーヴァンス を計算することにより、複合二重中心 SRP データ マトリックスの被験者コーヴァンス マトリックス C によって被験者を構築します。

ここに示す式を使用すると、CIJ は対称コーヴァンスの要素であり、行列 C と行列 C、RRP IV と CRP JV は、すべてのボクセルで乗算および合計される CRP 行列ローズ INJ の対応するボクセル要素です。次に、主成分分析を被験者のコーヴァンス行列 C. The の結果は、関連する egen 値を持つ被験者スコア egen ベクトルのセットになります。次に、各ベクトルに、対応する egen 値の平方根を掛けて重み付けします。

スコア固有ベクトルのセットは、ここに示す行列 S の列で表されます。次に、スコア ベクトル行列に被験者の残差プロファイル行列の転置を掛けて、同じ egen 値のセットのボクセル egen ベクトルを決定します。これにより、ボクセル パターンの配列 P が作成され、ここに示す方程式 (P は主成分ボクセル egen ベクトルの行列) に従って egen 値の降順で egen ベクトルが作成されます。

SRPT は SRP 行列の転置であり、S はスコア ベクトル行列であり、各ベクトルを主成分イメージに変換します。各主成分イメージは、そのigon値の相対的なサイズに対応する、考慮される総分散の割合、またはVAFに起因します。主成分分析の結果を調べて、高会計値に関連付けられているパターンを判断します。

ボクセル パターン ベクトルとスコアは、その値が平均値からの正と負の標準偏差を表すように Z 変換されます。次に、研究対象の疾患に関連する地域的な偏差を特定しようとします。次に、各主成分パターンに対応するスコアの散布図を調べます。

オプションの受信者動作特性プロットを生成して、疾患固有のパターンを特定することもできます。対応する 2 つのサンプル T 検定の P 値と曲線下面積の値を調べることにより、患者とコントロールの間の被験者スコアの区別を評価します。次に、ベクトルは、選択した主成分を正規化し、線形に結合して、単一の疾患関連パターンを生成します。

これを実現するために、MATLAB 関数 GLM fit を使用して、被験者のスコアに適用されるロジスティック モデルまたはその他の回帰モデルに基づいて係数を決定します。バイオマーカーのパターンが特定されたら、その個人のスキャンから将来の被験者におけるそのスコア発現を評価することができます、この操作はメニュー上のTPRによって行われます。これを実現するには、被験者のSRPベクトルとGISパターンベクトルの内部ドットベクトル積の簡単な計算を使用します。

最後に、外部ソフトウェアを使用したブートストラップリサンプリングと、独立した被験者グループの前方検証により、結果として得られる潜在的なパターンバイオマーカーをさらに検証します。フォワードバリデーションは、TPRを使用してプロスペクティブコホートのスコアを決定することで容易になります。ここに示されているのは、臨床的に診断されたパーキンソン病患者 10 人、年齢と性別が一致した 10 人の対照群の SSM 分析の最初の 4 つの主成分画像の起源を通じた軸方向表示です。

ホットカラーは、代謝活動の相対的な増加を示しています。その原則内では、全体的な被験者の残留プロファイルに対するコンポーネントの寄与は、寒色は相対的な代謝の減少を示します。主要成分 1 は、説明された分散 (VAF 値) が最大で、最小の P 値が高い有意性を表し、単独で独立したバイオマーカーと見なすことができる唯一のものです。

MRI構造画像の背景に直交ビューで表示すると、主要なコンポーネントの組み合わせを使用して、コンポーネント1と4の場合のように、重要性を高めようとすることができます。これらのグラフは、導出対象の独立した棒グラフと散布図、主成分1と主成分4のみのZスコアを示しています。最初の主要な要素は、患者とコントロールを大幅に区別します。

一方、4番目は傾向を示しています。主成分1と主成分4の線形ロジスティックの組み合わせにより、識別力が向上します。前述したように、結合されたパターンは、Z スコアのしきい値 0.9 で完全な分離を示しています。

主成分3を組み合わせると、1と4の組み合わせよりもわずかに識別が増加したが、4つの主成分すべてで、原理の非識別能力のためにデータの識別が改善されなかった。コンポーネント。2 つ目に、22 人の正常対照と 22 人の PD 患者について、主要コンポーネント 1 と 4 つのパターンと、22 人の正常コントロールと 22 人の PD 患者について、主要コンポーネント 1 と 4 つのパターンと、基本コンポーネント 1、2、3、および 4 のパターンのプロスペクティブ スコア評価がここに示されている。曲線値と感度の下の面積は、2つの主成分が組み合わされている以上で減少しているように見えます。

P値は堅牢性が低下する傾向がありますが、UC値とP値では、PC One Oneのみの場合よりもPC One 4の方が有意な改善が見られませんでした。導出サンプルで予測された有意差とは対照的です。疾患を持つ患者と対照被験者からのスキャンが必要とされると、現実的で有効な疾患パターンの識別と検証が必要とされると、このアルゴリズムを使用した簡単な手順になります 疾患パターンが特定され検証された後、独立した臨床測定による患者スコアの相関分析などの他の方法を使用して、追加の質問に答えることができます。

例えば、イメージングバイオマーカーが疾患の運動症状や認知症状を反映しているかどうか、疾患パターンの発現が、診断が困難な臨床症例で類似の症状を示す異なる疾患を区別するのに役立つかどうかなどです。この手順は、FMRI信号に関連する応答の動的変動と信号対雑音比が低いため、時系列機能MRIデータに直接適用できないことを忘れないでください。