Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów

Summary

Ten film przedstawia metodę badania związanych z wiekiem zmian w funkcjonalnej łączności kognitywnych sieci kontrolnych zaangażowanych w wybrane zadania/procesy. Technika ta opiera się na wielowymiarowej analizie danych fMRI.

Abstract

Zdolność do dostosowywania zachowania do nagłych zmian w otoczeniu rozwija się stopniowo w dzieciństwie i okresie dojrzewania. Na przykład w zadaniu Sortowanie kart ze zmianą wymiarów uczestnicy przełączają się z sortowania kart w jeden sposób, na przykład według kształtu, na sortowanie ich w inny sposób, na przykład według koloru. Dostosowanie zachowania w ten sposób wymaga niewielkiego kosztu wydajności lub kosztu przełączenia, tak że odpowiedzi są zwykle wolniejsze i bardziej podatne na błędy w próbach przełączania, w których reguła sortowania zmienia się w porównaniu z powtarzającymi się próbami, w których reguła sortowania pozostaje taka sama. Często mówi się, że zdolność do elastycznego dostosowywania się do zachowania rozwija się stopniowo, częściowo dlatego, że koszty behawioralne, takie jak koszty zmiany, zwykle zmniejszają się wraz z wiekiem. Dlaczego aspekty poznania wyższego rzędu, takie jak elastyczność behawioralna, rozwijają się tak stopniowo, pozostaje kwestią otwartą. Jedna z hipotez głosi, że zmiany te zachodzą w związku ze zmianami funkcjonalnymi w szeroko zakrojonych sieciach kontroli poznawczej. Z tego punktu widzenia złożone operacje umysłowe, takie jak przełączanie, obejmują szybkie interakcje między kilkoma rozproszonymi obszarami mózgu, w tym tymi, które aktualizują i utrzymują reguły zadań, reorientują uwagę i wybierają zachowania. Wraz z rozwojem wzmacniają się funkcjonalne połączenia między tymi regionami, co prowadzi do szybszych i bardziej wydajnych operacji przełączania. Obecny film opisuje metodę testowania tej hipotezy poprzez gromadzenie i wielowymiarową analizę danych fMRI od uczestników w różnym wieku.

Introduction

Zdolność do regulowania zachowania rozwija się stopniowo w dzieciństwie i okresie dojrzewania (przegląd, zobacz Diament¹). Na przykład w zadaniu Sortowanie kart ze zmianą wymiarów uczestnicy przełączają się z sortowania kart w jeden sposób, na przykład według kształtu, na sortowanie ich w inny sposób, na przykład kolor² (patrz Rysunek 2). Przełączanie wiąże się z niewielkim kosztem wydajności lub kosztem przełączenia, tak że odpowiedzi są zwykle wolniejsze i bardziej podatne na błędy w próbach przełączania, w których reguła sortowania zmienia się w porównaniu z powtarzającymi się próbami, w których reguła sortowania pozostaje taka sama³. Wielkość tych kosztów zazwyczaj zmniejsza się wraz z wiekiem^{dzieci 4}, co ilustruje fakt, że zdolność do regulacji zachowania podlega ciągłemu rozwojowi we wczesnym okresie życia.

Ponieważ złożone operacje umysłowe, takie jak przełączanie, obejmują szybkie interakcje między wieloma obszarami mózgu⁵, rośnie zainteresowanie powiązaniem rozwoju poznania wyższego rzędu ze zmianami w funkcjonalnej organizacji sieci korowych^na szeroką skalę 6.

Jednym z podejść do badania zmian rozwojowych w sieciach o dużej skali jest użycie analizy połączeń funkcjonalnych opartej na ziarnach^6,7. Pierwszym krokiem w tej technice jest skonsultowanie się z dostępną literaturą naukową i zdefiniowanie a priori obszarów zainteresowania lub ROI, które wydają się być istotne dla danego zachowania. Te ROI, czyli węzły, definiują podstawowy szkielet sieci. Następnie fluktuacje aktywności o niskiej częstotliwości (lub intensywność sygnału ważona T2*) w tych ROI są mierzone przez 5 do 10 minut, podczas gdy uczestnicy są w spoczynku w skanerze MRI. Funkcjonalna łączność między dowolnymi dwoma węzłami sieci jest następnie określana ilościowo jako korelacja ich odpowiednich przebiegów czasowych. Węzły, które są silnie połączone funkcjonalnie, powinny mieć podobne, a co za tym idzie silnie skorelowane, przebiegi czasowe sygnału. Z drugiej strony, węzły, które są słabo połączone funkcjonalnie, powinny mieć różne, a tym samym słabo skorelowane, przebiegi czasowe sygnału. Aby uzupełnić model sieci, rysowane są krawędzie (lub połączenia) między węzłami, których przebiegi czasowe korelują powyżej wybranego progu. Testy związanych z wiekiem różnic w łączności funkcjonalnej w sieci można przeprowadzać na dowolnym pojedynczym połączeniu węzeł-węzeł lub na topologii całego zestawu węzłów i krawędzi. Te różnice w łączności funkcjonalnej można następnie powiązać z pomiarami wydajności poznawczej zebranymi w trybie offline.

W tym artykule opisano inne podejście, które opiera się na analizie składowych niezależnych od grupy danych fMRI opartych na zadaniach⁸. Niezależna analiza składowa (lub ICA) to procedura statystyczna polegająca na ślepym ujawnianiu ukrytych źródeł leżących u podstaw zestawu obserwacji, tak aby ujawnione źródła były maksymalnie niezależne. Procedura ta, zastosowana do analizy danych fMRI, zakłada, że każda objętość jest mieszaniną skończonej liczby źródeł niezależnych przestrzennie. Korzystając z jednego z wielu różnych algorytmów, takich jak algorytm infomax, ICA szacuje następnie macierz niemieszania, która po zastosowaniu do oryginalnych danych daje zestaw maksymalnie niezależnych źródeł lub komponentów. Każdy komponent można traktować jako sieć, o ile składa się z zestawu wokseli, które mają wspólny przebieg w czasie. Grupowe ICA to szczególny rodzaj ICA, w którym wspólny zestaw komponentów grupy jest najpierw szacowany na podstawie całego zestawu danych, a następnie specyficzne dla uczestnika zestawy komponentów grupy są obliczane w kroku rekonstrukcji wstecznej. Gdy cały zestaw danych zostanie rozłożony na zestaw komponentów, następnym krokiem jest odrzucenie sztucznych komponentów, które reprezentują źródła hałasu, i zidentyfikowanie teoretycznie znaczących komponentów, które odpowiadają sieciom zainteresowania. Można to osiągnąć poprzez modelowanie składowych przebiegów czasowych w kontekście OML w celu zidentyfikowania sieci, które aktywują się w przewidywany sposób, przestrzenną korelację komponentów z szablonem sieci zainteresowania lub jedno i drugie. Otrzymany zestaw komponentów można następnie poddać porównaniu grupowemu w celu przetestowania możliwych związanych z wiekiem różnic w łączności funkcjonalnej w teoretycznie interesujących sieciach^7,9,10.

Badanie zmian w łączności funkcjonalnej związanych z wiekiem poprzez zastosowanie grupowego ICA do danych fMRI opartych na zadaniach ma kilka zalet w porównaniu z zastosowaniem technik opartych na nasionach do danych fMRI w stanie spoczynku. Po pierwsze, w przeciwieństwie do technik opartych na nasionach, które koncentrują się na małym zestawie zdefiniowanych a priori zwrotów z inwestycji, obecne grupowe podejście ICA wykorzystuje wszystkie woksele składające się na wolumetryczny szereg czasowy. Zmniejsza to możliwości stronniczości, które nieuchronnie powstają, gdy mała grupa nasion jest wybierana a priori jako obszary zainteresowania. Po drugie, zastosowanie funkcjonalnej analizy łączności (opartej na ICA lub innej) do danych fMRI w stanie spoczynku, a nie w stanie spoczynku, ma tę zaletę, że umożliwia bardziej bezpośrednie powiązanie organizacji sieci i funkcji sieci. Jeśli, na przykład, badanie poznawczych lub behawioralnych implikacji łączności funkcjonalnej (takich jak zmienność wydajności DCCS) jest priorytetem, ważne jest, aby pokazać, że sieć zainteresowań jest powiązana z wydajnością zadań. W przypadku protokołów stanu spoczynku jest to bardzo trudne, ponieważ badacz nie ma zapisu żadnych stanów poznawczych, behawioralnych lub afektywnych doświadczanych przez uczestnika podczas pozyskiwania danych. W związku z tym niemożliwe jest przedstawienie bezpośrednich dowodów na to, że jakakolwiek sieć interesów jest istotna dla realizacji zadań. Z drugiej strony, gdy analiza łączności funkcjonalnej, taka jak ICA, jest stosowana do danych zadaniowych, możliwe jest potwierdzenie, że sieć zainteresowania jest co najmniej powiązana z wykonaniem zadania. Wreszcie, ICA jest mniej podatny na niekorzystny wpływ hałasu. Źródła hałasu, takie jak te związane z ruchem obiektu i rytmem serca, mają unikalne profile czasoprzestrzenne. W związku z tym, w kontekście grupowego ICA, źródła te są izolowane i przypisywane do oddzielnych komponentów, pozostawiając pozostałe komponenty stosunkowo wolne od tych niepożądanych źródeł wariancji. Ponieważ analizy oparte na nasionach wykorzystują surowe kursy czasowe do oszacowania łączności funkcjonalnej, a przebiegi czasowe są z definicji mieszaniną sygnału neurofizjologicznego i szumu sztucznego, różnice grupowe w oszacowaniach łączności funkcjonalnej mogą odzwierciedlać rzeczywiste różnice grupowe w podstawowej neurofizjologii, różnice grupowe w strukturze szumu lub jedno i drugie.

Protocol

1. Uzyskaj zgodę na pracę z ludźmi

2. Akwizycja danych fMRI

1. Pozyskaj dane fMRI zgodnie z procedurami odpowiednimi dla małych dzieci (patrz Raschle i wsp.¹²). Dołoż wszelkich starań, aby ograniczyć ewentualne związane z wiekiem różnice w wykonywaniu zadań i ruchu, ponieważ różnice te wprowadzają niepożądane zakłócenia, które ograniczają zdolność do wyciągania wniosków na temat istotnych dla rozwoju różnic w aktywacji mózgu i łączności funkcjonalnej.
   Uwaga: W obecnym protokole wersja DCCS z powtarzającymi się próbami była podawana w postaci projektu blokowego¹³. Każdy przebieg składa się z dwóch 8-próbnych bloków przełączających i dwóch 8-próbnych bloków powtórzeniowych, gdzie bloki przełączające składają się z 4 prób przełączających i 4 powtórzonych prób, a bloki powtórzeniowe składają się z 8 powtórzonych prób. Protokół doskonale nadaje się do użytku z danymi fMRI związanymi ze zdarzeniami. Jednak projekty blokowe są miłe do pracy przy pierwszym zapoznaniu się z ICA, ponieważ łatwo jest zobaczyć modulacje zadań w kursach czasowych komponentów.
2. Wstępne przetwarzanie danych fMRI zgodnie ze standardowymi procedurami wstępnego przetwarzania fMRI.
   1. Wyrównaj wszystkie funkcjonalne obrazy do tej samej orientacji i pozycji. Zazwyczaj pierwszy wolumin funkcjonalny jest używany jako obraz referencyjny dla wszystkich innych woluminów, do których ma być wyrównane.
   2. Obraz T1-zależny (anatomiczny) należy połączyć ze skanami T2*zależnymi (funkcjonalnymi), tak aby aktywacja została nałożona na właściwą lokalizację anatomiczną.
   3. Znormalizuj wszystkie obrazy do ustandaryzowanego rozmiaru, przestrzeni i pozycji, wybierając mózg szablonu (np. przestrzeń Talairach). Pomaga to zapewnić, że regiony homologiczne z różnych obiektów są porównywane.
      Uwaga: Obrazy są zniekształcane do przestrzeni Talairach w bieżącym protokole, chociaż mogą być również używane inne szablony (na przykład przestrzeń MNI {Montreal Neurological Institute}).
   4. Wygładź wszystkie objętości funkcjonalne w zestawie danych za pomocą jądra wygładzającego o średnicy od 6 do 10 mm.
3. Sekwestruj wstępnie przetworzone woluminy do osobnego zestawu katalogów. Użyj "Skanowania funkcjonalnego" jako głównego katalogu. W sekcji "Skanowania funkcjonalne" znajduje się osobny katalog dla każdego uczestnika, a w każdym katalogu uczestnika osobny katalog dla każdego uruchomienia. Dane są teraz gotowe do analizy ICA.

3. Grupowa Analiza Niezależnych Komponentów (ICA)

1. Pobierz i zainstaluj grupowe oprogramowanie ICA. Dostępnych jest wiele zestawów narzędzi do wdrażania ICA na różnych typach danych neurofizjologicznych, w tym fMRI. Podczas gdy każdy zestaw narzędzi, który wykonuje grupowe ICA, byłby potencjalnie odpowiedni, ten używany w obecnym protokole nazywa się GIFT. GIFT został opracowany przez Vince'a Calhouna i jego współpracowników z University of New Mexico. Przybornik GIFT to zestaw skryptów MATLAB, który współpracuje ze SPM, dobrze znanym pakietem do analizy fMRI. Oba można pobrać za darmo z internetu (GIFT: mialab.mrn.org/software/gift/index.html#; SPM: www.fil.ion.ucl.ac.uk/spm/). Po pobraniu dodaj przybornik GIFT i wszystkie podkatalogi do ścieżki wyszukiwania MATLAB i zapisz plik ścieżki.
2. Obliczanie grupowego ICA na danych fMRI za pomocą GIFT wiąże się ze znacznym zapotrzebowaniem na pamięć RAM. Dokładne zapotrzebowanie na pamięć będzie się różnić w zależności od liczby uczestników, ilości danych zebranych od każdego uczestnika i rozdzielczości danych. Aby uniknąć problemów z pamięcią, najlepiej jest uruchomić analizę ICA na serwerze. W przypadku uruchamiania analizy na komputerze lokalnym, wymagania dotyczące pamięci RAM można oszacować za pomocą skryptu "icatb_mem_ica.m", który jest częścią GIFT.
3. Ustawianie lub parametryzowanie analizy. W tym celu należy zmodyfikować istniejący skrypt wsadowy o nazwie "Input_data_subjects_1.m", który jest przechowywany w GIFT pod adresem "icatb_batch_files".
   Uwaga: Można to również zrobić za pomocą graficznego interfejsu użytkownika GIFT. Jednak przy odrobinie wprawy znacznie łatwiej jest skonfigurować analizę, modyfikując ten istniejący wcześniej skrypt.
   1. Określ modalność danych jako fMRI
   2. Określ typ analizy jako ICA za pomocą ICASSO. Dzięki temu ICA będzie prowadzona zgodnie z procedurą ICASSO. ICASSO szacuje wiarygodność rozkładu, uruchamiając ICA kilka razy, zaczynając od różnych losowych nasion. Następnie testuje podobieństwo każdego wyniku za pomocą grupowania. Stosowanie ICASSO jest zalecane jako środek do sprawdzania jakości rozkładu ICA, ale znacznie wydłuży czas potrzebny na zakończenie analizy przez GIFT.
      1. Aby uruchomić ICA z procedurą ICASSO, wybierz "2" w sekcji "Typ analizy", a następnie sparametryzuj procedurę ICASSO w kolejnych wierszach pliku instalacyjnego.
   3. Zmaksymalizuj wydajność grupowej PCA, wybierając "1" w ustawieniach wydajności grupowej PCA. Rozważ ustawienie tego parametru na "2", jeśli wystąpią problemy z niewystarczającą ilością pamięci RAM.
   4. Aby umożliwić późniejsze sortowanie wynikowych komponentów przy użyciu predyktorów ze standardowej macierzy projektowej SPM, określ, czy istnieją różne macierze dla różnych tematów.
   5. Określ, gdzie są przechowywane wstępnie przetworzone dane funkcjonalne i czy plik SPM.mat zawierający macierz projektową jest przechowywany razem ze wstępnie przetworzonymi danymi funkcjonalnymi.
      1. Najprostszym sposobem na odczytanie danych przez GIFT jest sytuacja, w której każdy uczestnik ma taką samą liczbę przebiegów, a katalog danych jest skonstruowany zgodnie z opisem w kroku 2.3 w sekcji Akwizycja danych fMRI. Jeśli tak, w obszarze DataSelectionMethod wybierz wartość "1" dla metody 1 i uzupełnij parametr "sourceDir_filePattern_flagLocation", podając ścieżkę pliku, w którym są przechowywane dane, format pliku danych oraz instrukcję wskazującą, że poszczególne sesje są przechowywane jako podkatalogi w każdym folderze tematycznym.
   6. Wskaż katalog, w którym powinny zostać zapisane dane wyjściowe analizy. Nie należy zapisywać wyników w tym samym katalogu, w którym są przechowywane dane.
   7. Podaj prefiks, który zostanie dodany do wszystkich plików wyjściowych.
   8. Podaj ścieżkę do pliku maski. Wszystkie woluminy zgłoszone do ICA są maskowane. GIFT zapewnia domyślną maskę. Do tej pracy potrzebny jest wewnętrzny skrypt do generowania maski na podstawie danych, które zostaną przesłane do ICA. Maska powinna eliminować co najmniej czaszkę, przestrzeń pozamózgową, a zwłaszcza gałki oczne. Sygnał z wokseli gałki ocznej będzie wykazywał bardzo duże wahania podczas biegu i dlatego będzie miał spory wpływ na strukturę końcowych komponentów. Rysunek 3 ilustruje, jak powinna wyglądać dobra maska.
   9. Określ typ grupy PCA, która ma być używana. Użyj "specyficznego dla tematu".
   10. Określ metodę rekonstrukcji wstecznej. Na tym etapie na podstawie wyników analizy grupowej obliczane są IC poszczególnych przedmiotów i związane z nimi kursy czasowe. GICA jest zalecana w celu uzyskania najlepszych kursów czasowych, chociaż w literaturze toczy się wiele dyskusji na ten temat.
   11. Określ typ wstępnego przetwarzania danych. Użyj normalizacji intensywności, aby uniknąć wartości nienumerycznych (tj. nieskończoności i NaN) w danych wyjściowych. W tym przykładzie wybraliśmy wartość domyślną "1".
   12. Określ typ PCA (używamy standardu) i zaakceptuj wartości domyślne w opcjach PCA. GIFT przeprowadza PCA w każdym przebiegu każdego uczestnika i zachowuje liczbę składników równą liczbie źródeł, które mają być niezmieszane w ICA. Umowa o partnerstwie i współpracy służy dwóm ważnym celom. Po pierwsze, pomaga wyeliminować źródła hałasu, które są unikalne dla każdego uczestnika i każdego biegu. Po drugie, sprawia, że wymagania obliczeniowe analizy są łatwiejsze do wykonania.
   13. Określ, ile PCA ma być uruchamianych na danych przed ICA (zalecane jest 2). Określ również, ile składników ma być zachowywanych po każdym PCA (w przypadku uruchomienia 2 zaleca się, aby liczba składników zachowanych po pierwszym PCA była dwukrotnie większa niż liczba zachowana po drugim).
   14. Określ sposób skalowania danych. Do tej pracy wykorzystano skalowanie z-score.
   15. Wybierz algorytm separacji ślepych źródeł dla ICA. Do tej pracy wykorzystano Infomax. GIFT oferuje wybór spośród co najmniej 10 różnych algorytmów.
   16. Pozostałe parametry można pozostawić bez zmian.
4. Po wypełnieniu ICA należy wybrać spośród dostępnych komponentów te, które mogą mieć potencjalne znaczenie teoretyczne. Za pomocą GIFT GUI wybierz wybór komponentów: sortowanie przestrzenne sortuje komponenty przestrzenne za pomocą korelacji przestrzennej z istniejącym wcześniej szablonem; Sortowanie czasowe sortuje przebiegi czasowe komponentów za pomocą predyktorów liniowych z macierzy projektowej SPM, którą można przechowywać razem z danymi (patrz 3.3.5).
   Uwaga: Oba podejścia do wyboru komponentów są użyteczne. Jednak podczas pracy z danymi zadania kryteria wyboru czasowego są szczególnie przydatne, ponieważ umożliwiają sprawdzenie, czy wybrany komponent został aktywowany przez zadanie. W przypadku DCCS można zastosować sortowanie czasowe w celu potwierdzenia, że wybrany komponent był bardziej aktywny podczas bloków przełączania niż podczas powtarzania bloków.
5. Sprawdź, czy wersje dla dzieci i dorosłych tych wybranych składników różnią się. Zagreguj interesujące dzieci i dorosłych składniki w dwie oddzielne grupy i przetestuj za pomocą regionów testu t dla dwóch prób, w których składniki są różne. Jest to stosunkowo łatwe do zrobienia za pomocą GIFT GUI.

Results

Grupa ICA, nawet na stosunkowo małym zestawie danych fMRI, zwróci zestaw składników porównywalnych do tych obserwowanych w innych badaniach. Rysunek 4 to nałożenie na siebie 5 takich składników i związanych z nimi przebiegów czasowych niezmieszanych z próby 12 dzieci i 13 dorosłych, z około 800 tomami na uczestnika. Jak pokazano na rysunku 4, sieci w trybie domyślnym, czołowo-ciemieniowe, cingulo-wyspowe i wizualne można łatwo zobaczyć na podstawie wyników tej dekompozycji. Zauważ równie...

Discussion

Operacje umysłowe wyższego rzędu, takie jak zdolność do zmiany reguł sortowania, rozwijają się szybko w dzieciństwie i okresie dojrzewania. Ponieważ te operacje umysłowe obejmują interakcje między wieloma rozproszonymi regionami mózgu, rośnie zainteresowanie badaniem związku między rozwojem poznania wyższego rzędu a zmianami związanymi z wiekiem w organizacji sieci korowych na szeroką skalę. Przedstawiamy metodę opartą na analizie składowych niezależnych od grupy, zastosowaną do zadaniowych danych fMRI jako sposób bezpoś...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
SPM8	Firma MathWorks, Inc.	Czynnik chłodniczy R2013a