데이터 Neuroimaging에서 복수 변수 분석의 기초

이 영상에서는 알츠하이머 진단에 적용 가능한 신경 영상 데이터의 다변량 및 단변량 분석 기법을 시연하고 비교합니다. 먼저, 단변량 분석을 위해 초기 알츠하이머 환자 20명과 연령이 일치하는 건강한 대조군 20명의 뇌 활동을 대조합니다. SPM을 사용하여 대조군 대비 알츠하이머 환자에게서 FDG PET 신호의 상대적 결손이 가장 크게 나타나는 뇌 영역을 식별합니다.

다변량 분석을 위해, 선형 판별 분석을 결합한 주성분 분석을 사용하여 마커 결과를 도출하며, 이는 다변량 마커가 단변량 마커보다 더 우수한 진단 성능을 제공하고 독립적 데이터에 대해 더 뛰어난 일반화 능력을 보여준다는 것을 나타냅니다. 안녕하세요, 저는 컬럼비아 대학교 의료 센터 신경과 TA 연구소의 Christian Halbeck입니다. 오늘은 신경 영상 데이터의 다변량 데이터 분석 사례를 보여드리겠습니다.

본 실험실에서는 신경 영상 데이터로부터 알츠하이머병을 조기에 진단하는 최적의 방법을 연구하기 위해 이 절차를 사용합니다. 그럼 시작하겠습니다. 먼저 신경 영상 데이터의 다변량 분석에 대한 개념적 개요부터 살펴보겠습니다.

다변량 접근 방식은 단변량 분석과 같이 복셀 단위로 진행하는 대신, 여러 뇌 영역 간의 활동 상관관계를 평가합니다. 예를 들어, 뇌에서 복셀로 표시된 단 3개의 영역만 측정된 50명의 피험자에 대한 단순한 가상 데이터셋을 상상해 볼 수 있습니다. 다변량 분석의 일반적인 목적은 데이터에서 분산의 주요 원인을 식별하고, 데이터 내에서 관심 있는 주요 효과를 기술하는 것입니다.

이러한 변이의 원인 측면에서, 단변량 분석은 복셀 간의 상관관계에 주의를 기울이지 않습니다. 여기에 보이는 두 패널은 복셀 간에 상관관계가 있든 없든 단변량 분석에 의해 동일한 방식으로 처리될 것입니다. 본 영상에서는 95명의 초기 알츠하이머 환자(AD)와 102명의 건강한 대조군(H)의 FTG PET 휴지기 스캔이 포함된 임상 데이터셋을 사용하여 단변량 및 다변량 분석의 분석 절차를 시연합니다. 모든 뇌 영상 중에서 환자와 대조군 모두에서 각각 20장씩 무작위로 선택하여 유도 표본으로 사용하였습니다.

나머지 각각 75회와 82회의 스캔은 재현 샘플을 구성합니다. 이제 이 데이터셋에 단변량 및 다변량 분석을 모두 적용하는 방법을 살펴보겠습니다. 단변량 접근 방식부터 시작하여, SPM 소프트웨어를 사용하여 단변량 알츠하이머병 마커를 구합니다. 유도 샘플의 AD 스캔 20회와 대조군 스캔 20회를 대조하기 위해, 대조군과 비교하여 AD 환자에게서 PET 신호의 감소가 가장 크게 나타나는 뇌 위치를 선택하십시오.

T-검정을 사용하여 이 영역의 진단 효능을 테스트하고, 동일한 뇌 영역에 대한 반복 샘플의 데이터를 확인한 후, 질병 상태에 따른 PET 신호를 그래프로 나타냅니다. 다음으로, 다변량 마커를 얻습니다. 온라인에서 제공되는 맞춤형 MATLAB 툴박스를 사용하여 다변량 분석을 수행합니다.

유도 표본의 결합된 40개 스캔에 대해 주성분 분석(principle components analysis) 또는 PCA를 수행하십시오. 그런 다음 80명의 환자와 건강한 대조군 사이에 평균 차이가 최대가 되는 피험자 점수를 보이는 상위 6개 주성분으로부터 Covance 패턴을 구축하십시오. 유도 표본에서 진단용 Covance 패턴을 얻으면 이를 재현 표본에 적용하고, 질환 상태에 따른 피험자 점수를 그래프로 그려 두 표본의 성능을 비교하십시오.

단변량 및 다변량 접근 방식에 대한 보다 일반적인 비교를 위해, 분할 샘플 시뮬레이션을 수행하고 재표집된 데이터에 대해 이전 단계들을 1000회 반복합니다. 이때 매번 20명 대 20명의 유도 샘플과 80명의 환자 및 건강한 대조군으로 구성된 75명 대 82명의 검증 샘플을 새롭게 구성합니다. 분할 샘플 시뮬레이션은 유도 샘플에서 도출된 마커의 예측 오차를 검증 샘플에서 기록함으로써 해당 마커들을 쉽게 테스트할 수 있기 때문에 방법론적 연구에서 흔히 사용됩니다. 유도 샘플로부터 단변량 및 다변량 질환 마커를 계산하고, 최대 한 명의 건강한 대조군만이 AD로 오분류되도록 결정 임계값을 설정하며, 이는 95%의 특이도에 해당합니다. 마지막으로, 각 결정 임계값이 적용된 질환 마커를 검증 샘플에 적용하고, 모든 재표집 반복 횟수에 대해 검증 샘플의 분류 오차율을 기록합니다. 이제 단변량 및 다변량 분석 결과와 분할 샘플 시뮬레이션 모사 결과를 살펴보겠습니다.

단변량 영역 분석 결과, 알츠하이머병 관련 FDG 결핍이 가장 크게 나타난 영역은 Precuneus Broadman area 31이었으며, ROC 곡선 아래 면적(AUC)은 0.90으로 산출되었습니다.

이러한 대조의 복제 표본에 대한 일반화 성능은 ROC 곡선 아래 면적(AUC) 0.84로 상당히 양호했습니다. 다변량 분석 결과, 양의 부하를 보이는 영역은 소뇌에서 나타나 질환 상황에서도 신호가 상대적으로 보존됨을 시사했으며, 반면 신호 손실과 관련된 영역은 하측두엽, 전두엽 및 후대상회에서 발견되었습니다. 파생 표본과 복제 표본 모두에서 ROC 곡선 아래 면적은 각각 0.96과 0.88로, 단변량 마커보다 약간 더 높게 나타났습니다. 1,000회의 분할 표본 시뮬레이션에서 기록된 총 분류 오류율을 통해, 다변량 마커가 단변량 마커보다 진단 성능의 복제 가능성이 더 높다는 것을 알 수 있습니다. 지금까지 Ft.G PET 스캔의 알츠하이머 진단 문제에 다변량 분석을 적용하는 방법을 살펴보았습니다.

모든 데이터는 Alzheimer's Disease Neuroimaging Initiative 웹사이트에서 공개적으로 이용 가능합니다. 실제 데이터로 이 절차를 수행할 때는, 사전에 일반적인 품질 관리 단계가 적용되었음을 기억하는 것이 중요합니다. 품질이 낮은 데이터로는 어떤 분석으로도 마법과 같은 결과를 낼 수 없습니다.

이상입니다. 시청해 주셔서 감사하며, 분석에 좋은 결과가 있기를 바랍니다.