Name: Podstawy analizy wielowymiarowej w danych neuroobrazowych (Wideo) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: Poznaj analizę wielowymiarową w danych neuroobrazowych z zastosowaniem PCA i analizy dyskryminacyjnej do diagnozy choroby Alzheimera. Ta metoda zapewnia lepszą skuteczność diagnostyczną niż analiza jednowymiarowa.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Autor jest wdzięczny za wsparcie z grantu NIH:
NIH/NIBIB 5R01EB006204-03 Podejścia wielowymiarowe w analizie obrazowania neurologicznego
NIH/NIA 5R01AG026114-02 Wczesne wykrywanie choroby AD za pomocą ASL MRI i analizy kowariancji
ADNI: Dane obrazowe zostały dostarczone przez Alzheimer's Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904). Gromadzenie i udostępnianie danych dla tego projektu zostało sfinansowane przez Alzheimer's Disease Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904). ADNI jest finansowane przez National Institute on Aging, National Institute of Biomedical Imaging and Bioengineering oraz dzięki hojnym darowiznom następujących podmiotów: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson and Johnson, Eli Lilly and Co., Medpace, Inc., Merck and Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc, Inc. oraz Wyeth, a także partnerów non-profit: Alzheimer's Association i Alzheimer's Drug Discovery Foundation, z udziałem U.S. Food and Drug Administration. Wkład sektora prywatnego w ADNI jest koordynowany przez Foundation for the National Institutes of Health (<a href="http://www.fnih.org">http://www.fnih.org</a>). Organizacją otrzymującą grant jest Northern California Institute for Research and Education, a badaniem kieruje Alzheimer's Disease Cooperative Study na University of California, San Diego. Dane ADNI są rozpowszechniane przez Laboratory for Neuro Imaging na University of California, Los Angeles. Badania te były wspierane również przez granty NIH P30 AG010129, K01 AG030514 oraz Dana Foundation.

<ol> <li>Aby przedstawić koncepcyjny przegląd analizy wielowymiarowej, możemy wyobrazić sobie bardzo prostą sytuację: hipotetyczny zestaw danych dla 50 uczestników, w którym zmierzono tylko trzy obszary mózgu, oznaczone jako woksele (=trójwymiarowe piksele na Rysunku 1). (Wstaw tutaj Rysunek 1, przeczytaj podpis jako lektor.)</li> <li>Ogólnym celem analizy wielowymiarowej jest zidentyfikowanie głównych źródeł wariancji w danych, a następnie opisanie głównych efektów będących przedmiotem zainteresowania w zależności od tych źródeł wariancji. Rysunek 2 przedstawia uproszczony przykład. (Wstaw tutaj Rysunek 2, przeczytaj podpis jako lektor.)</li> <li>Przystępujemy teraz do zastosowania analizy jednowymiarowej i wielowymiarowej do klinicznego zestawu danych. Pobraliśmy skany PET z FDG w stanie spoczynku dla 95 pacjentów we wczesnym stadium choroby Alzheimera oraz 102 osób z grupy kontrolnej dopasowanej pod względem wieku ze strony internetowej Alzheimer's Disease Neuroimaging Initiative (http://www.loni.ucla.edu/ADNI/). Losowo wybraliśmy po 20 skanów pacjentów i osób z grupy kontrolnej i wyznaczyliśmy je jako naszą próbę pochodną. Pozostałe odpowiednio 75 i 82 skany stanowią naszą próbę replikacyjną. Teraz w próbie pochodnej zostaną wyznaczone jednowymiarowe i wielowymiarowe markery choroby Alzheimera (AD), a ich skuteczność diagnostyczna zostanie przetestowana w próbie replikacyjnej.</li> <li>W przypadku markera jednowymiarowego porównujemy 20 skanów AD z 20 skanami kontrolnymi w próbie pochodnej i wybieramy lokalizację w mózgu, która wykazuje największy spadek sygnału PET u pacjentów z AD, co wykazuje test T. Aby przetestować skuteczność diagnostyczną tego obszaru, sprawdzamy dane w próbie replikacyjnej w tej lokalizacji i wykreślamy sygnał PET jako funkcję stanu choroby.</li> <li>W przypadku markera wielowymiarowego najpierw przeprowadzamy PCA na połączonych 40 skanach w próbie pochodnej, a następnie konstruujemy wzorzec kowariancji z pierwszych 5 Głównych Składników, których współczynnik skalowania obiektu wykazuje maksymalną średnią różnicę między pacjentami z AD a zdrową grupą kontrolną. (Szczegóły można znaleźć w tych reprezentatywnych pracach 2.) Uzyskany z próby pochodnej diagnostyczny wzorzec kowariancji jest następnie prospektywnie stosowany do próby replikacyjnej. Wynikowe współczynniki skalowania obiektów są wykreślane jako funkcja stanu choroby.</li> <li>Aby zapewnić bardziej ogólne porównanie podejścia jednowymiarowego i wielowymiarowego z kroków 4 i 5, przeprowadzamy symulację z „podziałem próby” i powtarzamy oba kroki 1000 razy na ponownie próbkowanych danych, za każdym razem tworząc od nowa próbę pochodną 20/20 oraz próbę replikacyjną 75/82 pacjentów z AD i zdrowych osób z grupy kontrolnej. Jednowymiarowe i wielowymiarowe markery choroby są obliczane z próby pochodnej, a próg decyzyjny jest ustawiony tak, aby maksymalnie 1 zdrowa osoba z grupy kontrolnej została błędnie sklasyfikowana jako AD (= swoistość 95%). Markery choroby wraz z ich konkretnymi progami decyzyjnymi są następnie prospektywnie stosowane do prób replikacyjnych. Wskaźniki błędów klasyfikacji w próbie replikacyjnej są rejestrowane dla wszystkich iteracji ponownego próbkowania.</li> </ol> Reprezentatywne wyniki Wydajność jednowymiarowa Szczegółowe wyniki przedstawiono na Rysunku 3. Obszar największego deficytu FDG związanego z AD stwierdzono w zakręcie skroniowym górnym, obszar Brodmanna 38. Osiągnięta powierzchnia pod krzywą ROC wyniosła AUC=0.90. Generalizacja tego kontrastu na próbę replikacyjną była dość dobra, z powierzchnią pod krzywą ROC wynoszącą AUC=0.84. Wydajność wielowymiarowa Szczegółowe wyniki przedstawiono na Rysunku 4. Obszary z dodatnimi ładunkami, sugerujące względne zachowanie sygnału w obliczu choroby, zlokalizowano w móżdżku, natomiast powiązaną utratę sygnału stwierdzono w obszarach ciemieniowo-skroniowych i czołowych oraz w tylnej części zakrętu obręczy. Powierzchnie pod krzywymi ROC zarówno w próbie pochodnej, jak i replikacyjnej były nieco wyższe niż w przypadku markera jednowymiarowego i wyniosły odpowiednio 0,96 oraz 0,88. Symulacje na próbkach podzielonych Wyniki można szczegółowo zobaczyć na rysunku 5. Rysunek pokazuje, że marker wielowymiarowy zapewnia lepszą replikację skuteczności diagnostycznej niż marker jednowymiarowy. Średni całkowity wskaźnik błędów dla markera wielowymiarowego wynosi 0,203, natomiast dla markera jednowymiarowego wynosi on 0,307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Analiza jednowymiarowa a wielowymiarowa; trójwymiarowe wykresy rozrzutu; porównanie statystyczne; wizualizacja danych woxelowych." data-altupdatedat="1788235205000" data-alt="Rycina 1"> Rycina 1. Ta prosta ilustracja opisuje różnicę między jednowymiarowymi a wielowymiarowymi strategiami analitycznymi: przedstawiono na niej hipotetyczny trójwymiarowy zbiór danych. Po lewej stronie nie występuje korelacja między trzema naniesionymi zmiennymi. W przeciwieństwie do tego, po prawej stronie można zauważyć główne źródło wariancji wskazujące na dodatnią korelację między wszystkimi trzema woksalami. Analiza jednowymiarowa, uwzględniająca jedynie wartości średnie w oparciu o poszczególne woksale, nie wykazałaby żadnej różnicy między tymi dwoma scenariuszami. Analiza wielowymiarowa natomiast identyfikuje główne źródła wariancji w danych (czerwona strzałka) przed przystąpieniem do konstruowania wzorców aktywacji neuronalnej na podstawie tych źródeł. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Równanie analizy wielowymiarowej Y(s,x)=ssf(s)v(x)+ε(s,x), wykres oraz schemat MRI mózgu." data-altupdatedat="1788235205000" data-alt="Rycina 2"> Rycina 2. Ten slajd przedstawia w uproszczonej formie podstawowy cel każdej analizy wielowymiarowej w danych neuroobrazowych. Tablica danych Y(s,x), która zależy od indeksu badanego s oraz indeksu woksela x, wskazującego lokalizację woksela w mózgu, jest rozkładana na sumę kilku składników. Po pierwsze, iloczyn wyniku czynnika zależnego wyłącznie od badanego, ssf(s), oraz wzorca kowariancji zależnego wyłącznie od woksela, v(x). Po drugie, aktywację, której nie można wyjaśnić wzorcem kowariancji, ujmuje składnik szumu zależny od badanego i woksela, e(s,x). Dwie grafiki poniżej równania przedstawiają przykład współczynnika skalowania badanego oraz wzorca kowariancji. Każdy uczestnik wykazuje wzorzec kowariancji, jednak w różnym stopniu, co obrazuje wynik czynnika badanego. Zamiast śledzić osobno zachowanie każdego woksela, wzorzec kowariancji i jego ekspresja u badanego zapewniają oszczędne podsumowanie głównego źródła wariancji. Wraz ze wzrostem wartości współczynnika skalowania badanego, obszary zaznaczone na niebiesko we wzorcu kowariancji wykazują spadek powiązanej z nimi aktywacji, podczas gdy obszary zaznaczone na czerwono jednocześnie wykazują wzrost aktywacji. Wynik czynnika badanego może być korelowany z zewnętrznymi zmiennymi zainteresowania, takimi jak wiek badanego lub wyniki behawioralne w zadaniu poznawczym, przy czym do tej korelacji nie trzeba stosować korekty na wielokrotne porównania. Istnieje kilka technik takiej dekompozycji, jednak najpowszechniejszą z nich jest analiza głównych składowych (PCA). Jest to technika wybrana przez nas. Należy zauważyć, że czynniki skalowania badanych można uzyskać poprzez rzutowanie wzorca kowariancji na dowolny zbiór danych o tej samej wymiarowości, a nie tylko na zbiór danych, który pierwotnie wygenerował dany wzorzec kowariancji. Dzięki temu wzorce kowariancji nadają się do testowania, czy relacje mózg-zachowanie zaobserwowane w jednym zbiorze danych mogą zostać powtórzone w innym zbiorze danych. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="MRI mózgu z markerem jednowymiarowym, wykresy kropkowe AD vs HC, replikacja wykazuje istotną różnicę." data-altupdatedat="1788235205000" data-alt="Rycina 3"> Rycina 3. Na tej rycinie przedstawiono wynik analizy jednowymiarowej. Na dolnym lewym panelu naniesiono wartości sygnału FDG dla obszaru wykazującego największy deficyt związany z AD w próbie pochodnej. Jego współrzędne MNI to X=2 mm ,Y= -48 mm , Z= 30mm (k precedes precuneus/zakręt obręczy, pole Brodmanna 31). Dolny prawy panel przedstawia sygnał FDG w tej samej lokalizacji w próbie replikacyjnej. Można zauważyć, że różnice w poziomie FDG między pacjentami z AD a grupą kontrolną w próbie replikacyjnej, mimo że nadal są istotne statystycznie w ujęciu ogólnym, są mniejsze, a grupy wykazują większe nakładanie się wartości. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="MRI mózgu z morfometrią opartą na wokselach, wykresy rozrzutu, porównanie choroby Alzheimera z grupą kontrolną, analiza." data-altupdatedat="1788235205000" data-alt="Rysunek 4"> Rysunek 4. Na tym rysunku przedstawiono wyniki analizy wielowymiarowej. Na górnym panelu wyświetlone są przekroje osiowe ukazujące obszary o istotnych dodatnich i ujemnych wagach (p&lt;0.001) w wzorcu kowariancji, odpowiednio w kolorze czerwonym i niebieskim. Należy zauważyć, że każdy skan został przeskalowany względem jego globalnej wartości średniej, zatem kolory czerwony i niebieski wskazują na względne, a nie bezwzględne wzrosty i spadki sygnału PET wraz z nasileniem choroby. Obszary czerwone sugerują zatem względne zachowanie tkanek mimo postępu choroby, podczas gdy kolor niebieski wskazuje na utratę sygnału w następstwie choroby. Obszary czerwone występują głównie w móżdżku, natomiast obszary niebieskie pojawiają się w tylnej części zakrętu obręczy oraz w obszarach ciemieniowo-skroniowych i czołowych. Panel dolny lewy: przedstawiono wyniki czynnikowe badanych dla wzorca kowariancji związanego z AD w próbie pochodnej. Wyższe wyniki badanych odnotowano u pacjentów z AD. Panel dolny prawy: przedstawiono wyniki czynnikowe badanych uzyskane w wyniku prospektywnego zastosowania wzorca kowariancji związanego z AD w próbie replikacyjnej. Można zauważyć lekkie pogorszenie kontrastu diagnostycznego z większym nakładaniem się wyników w próbie replikacyjnej, jednak generalizacja skuteczności diagnostycznej jest wyraźnie lepsza niż w przypadku analizy jednowymiarowej. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Wykres porównania współczynników błędów replikacji, analiza jednowymiarowa i wielowymiarowa, punkty danych, średnie błędy." data-altupdatedat="1788235205000" data-alt="Rysunek 5"> Rysunek 5. Na tym rysunku przedstawiono wyniki 1 000 symulacji z podziałem próby. Wymieniono średnie i odchylenia standardowe współczynników błędów diagnostycznych dla analizy jednowymiarowej i wielowymiarowej w próbach replikacyjnych. Można zauważyć, że zdolność do generalizacji wyników markera wielowymiarowego jest znacznie lepsza, choć nieco bardziej zmienna niż w przypadku markera jednowymiarowego.

<ol><li>Moeller, J. R., Strother, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+regional+covariance+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data%5BTitle%5D)+AND+%22J+Cereb+Blood+Flow+Metab%22%5BJournal%5D)">A regional covariance approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).</li>
<li>Scarmeas, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Covariance+PET+patterns+in+early+Alzheimer%27s+disease+and+subjects+with+cognitive+impairment+but+no+dementia%3A+utility+in+group+discrimination+and+correlations+with+functional+performance%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Covariance PET patterns in early Alzheimer's disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance.</a> Neuroimage. 23 (1), 35-35 (2004).</li>
<li>Siedlecki, K. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Examining+the+multifactorial+nature+of+cognitive+aging+with+covariance+analysis+of+positron+emission+tomography+data%5BTitle%5D)+AND+%22J+Int+Neuropsychol+Soc%22%5BJournal%5D)">Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data.</a> J Int Neuropsychol Soc. 15 (6), 973-973 (2009).</li>
<li>Burnham, K. P., Anderson, D. R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBurnham%2C+KP+%22Model+selection+and+multimodel+inference+a+practical+information-theoretic+approach%22">Model selection and multimodel inference a practical information-theoretic approach</a>. , Springer. New York. Volume xxvi (2002).</li>
<li>Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Scaled+subprofile+model%3A+a+statistical+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data%5BTitle%5D)+AND+%22J+Cereb+Blood+Flow+Metab%22%5BJournal%5D)">Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).</li>
<li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariate+and+univariate+neuroimaging+biomarkers+of+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease.</a> Neuroimage. 40 (4), 1503-1503 (2008).</li>
<li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+approach+to+spatial+covariance+modeling+of+functional+brain+imaging+data%3A+ordinal+trend+analysis%5BTitle%5D)+AND+%22Neural+Comput%22%5BJournal%5D)">A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis.</a> Neural Comput. 17 (7), 1602-1602 (2005).</li>
<li>McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial+pattern+analysis+of+functional+brain+images+using+partial+least+squares%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Spatial pattern analysis of functional brain images using partial least squares.</a> Neuroimage. 3 Pt 1, 143-143 (1996).</li>
<li>McIntosh, A. R., Lobaugh, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Partial+least+squares+analysis+of+neuroimaging+data%3A+applications+and+advances%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Partial least squares analysis of neuroimaging data: applications and advances.</a> Neuroimage. 23, Suppl 1. S250-S250 (2004).</li>
</ol>

Nie zgłoszono żadnych konfliktów interesów.

Mamy nadzieję, że przybliżyliśmy widzowi podstawy analizy wielowymiarowej; zainteresowanych zachęcamy do odwiedzenia naszej strony internetowej. Przy wyborze parametrów analizy wielowymiarowej podjęto kilka decyzji, które mogą być przedmiotem znaczących dyskusji. W niniejszym artykule pominęliśmy omówienie tych kwestii, aby nie odciągać uwagi od głównych zagadnień. Po pierwsze, do stworzenia wzorca kowariancji związanego z AD wybraliśmy pierwsze 6 głównych komponentów. Istnieją teoretyczne przesłanki dla tego wyboru, których tutaj nie omawialiśmy 4. Sam wybór 6 głównych komponentów nie jest jednak kluczowy dla naszej argumentacji: można wybrać liczbę od 2 do 20 PC, a nadal uzyskać lepszą zdolność generalizacji markera wielowymiarowego w symulacjach na próbkach podzielonych. Wyniki są podobnie odporne na wybór liczby badanych w próbkach pochodnych i replikacyjnych. W próbie replikacyjnej wybraliśmy po 20 osób do obu grup, ale wynikało to wyłącznie z wygody matematycznej, aby przyspieszyć obliczenia. Nasze wnioski dotyczące względnych zalet obu technik pozostałyby podobne, gdyby zwiększono liczbę badanych w próbkach pochodnych. Po drugie, przedstawiliśmy jedynie najbardziej podstawowy rodzaj analizy wielowymiarowej. Możliwe jest znaczne skomplikowanie metod poprzez zastosowanie technik zaczerpniętych z literatury dotyczącej uczenia maszynowego, transformacji liniowych i nieliniowych przed PCA oraz różnych innych modyfikacji, które mogłyby jeszcze bardziej zwiększyć zdolność do generalizacji. Dla uproszczenia nie poruszyliśmy tych możliwości w niniejszym artykule.

podstawy analizy wielowymiarowej w danych neuroobrazowych

Basics of Multivariate Analysis in Neuroimaging Data

Techniki analizy wielowymiarowej w danych neuroobrazowych zyskały w ostatnim czasie coraz większą uwagę, ponieważ posiadają wiele atrakcyjnych cech, których nie można łatwo zrealizować za pomocą powszechniej stosowanych jednowymiarowych technik analizy woxelowej1,5,6,7,8,9Metody wielowymiarowe oceniają korelację/kowariancję aktywacji w różnych obszarach mózgu, zamiast opierać się na analizie w skali pojedynczego woksela. Dzięki temu ich wyniki mogą być łatwiej interpretowane jako sygnatury sieci neuronowych. Z kolei podejścia jednowymiarowe nie pozwalają na bezpośrednie badanie korelacji międzyregionalnych w mózgu. Metody wielowymiarowe mogą również zapewniać większą moc statystyczną w porównaniu z technikami jednowymiarowymi, które wymagają stosowania bardzo rygorystycznych korekt dla wielokrotnych porównań na poziomie wokseli. Ponadto techniki wielowymiarowe znacznie lepiej nadają się do prospektywnego zastosowania wyników analizy jednego zbioru danych do całkowicie nowych zbiorów danych. Metody wielowymiarowe są zatem w stanie dostarczyć informacji o różnicach średnich oraz korelacjach z zachowaniem, podobnie jak podejścia jednowymiarowe, ale potencjalnie z większą mocą statystyczną i lepszą możliwością weryfikacji powtarzalności. Przeciwwagą dla tych zalet jest wysoki próg wejścia w stosowanie metod wielowymiarowych, co zapobiega ich szerszemu zastosowaniu w środowisku naukowym. Dla neurobiologa zapoznającego się z technikami analizy wielowymiarowej, wstępny przegląd dziedziny może ukazać dezorientującą różnorodność podejść, które, choć algorytmicznie podobne, są prezentowane z różnymi akcentami, zazwyczaj przez osoby z wykształceniem matematycznym. Uważamy, że techniki analizy wielowymiarowej mają wystarczający potencjał, aby uzasadnić ich lepsze rozpowszechnianie. Badacze powinni mieć możliwość stosowania ich w sposób świadomy i przystępny. Niniejszy artykuł jest próbą dydaktycznego wprowadzenia nowicjusza w techniki wielowymiarowe. Po wprowadzeniu koncepcyjnym następuje bardzo proste zastosowanie do diagnostycznego zbioru danych z Alzheimer's Disease Neuroimaging Initiative (ADNI), co wyraźnie demonstruje wyższą efektywność podejścia wielowymiarowego.

Niniejszy artykuł opisuje podstawy analizy wielowymiarowej i przeciwstawia ją częściej stosowanej jednowymiarowej analizie wokselowej. Oba rodzaje analizy zostały zastosowane do zbioru danych z zakresu neuronauki klinicznej. Uzupełniające symulacje metodą split-half wykazują lepszą replikowalność wyników wielowymiarowych w niezależnych zbiorach danych.

Podstawy analizy wielowymiarowej w danych neuroobrazowych

Techniki analizy wielowymiarowej dla danych z neuroobrazowania zyskały ostatnio coraz większą uwagę, ponieważ posiadają wiele atrakcyjnych cech, których nie można...

Niniejszy film prezentuje i porównuje techniki analizy wielowymiarowej i jednowymiarowej dla danych z neuroobrazowania w zastosowaniach do diagnostyki choroby Alzheimera. W pierwszej kolejności, na potrzeby analizy jednowymiarowej, zestawiono aktywność mózgu 20 pacjentów we wczesnym stadium choroby Alzheimera z aktywnością 20 zdrowych osób kontrolnych w tym samym wieku. Wykorzystano oprogramowanie SPM w celu zidentyfikowania obszaru mózgu, który wykazuje największy względny deficyt sygnału FDG PET u pacjentów z chorobą Alzheimera w porównaniu z grupą kontrolną.Do analizy wielowymiarowej wykorzystano analizę głównych składowych wraz z liniową analizą dyskryminacyjną; uzyskane wyniki wskazują, że marker wielowymiarowy zapewnia lepszą wydajność diagnostyczną niż marker jednowymiarowy i wykazuje lepszą zdolność generalizacji dla danych niezależnych. Dzień dobry, nazywam się Christian Halbeck z Instytutu TA w Departamencie Neurologii w Columbia University Medical Center. Dzisiaj przedstawimy Państwu przykład wielowymiarowej analizy danych z obrazowania neurologicznego.Stosujemy tę procedurę w naszym laboratorium, aby zbadać optymalny sposób wykrywania wczesnego stadium choroby Alzheimera na podstawie danych z neuroobrazowania. Przejdźmy zatem do szczegółów. Rozpocznijmy od teoretycznego przeglądu wielowymiarowej analizy danych neuroobrazowych.Podejścia wielowymiarowe oceniają korelację aktywności między obszarami mózgu, zamiast analizować dane w oparciu o pojedyncze woksele, co ma miejsce w analizie jednowymiarowej. Przykładowo, możemy wyobrazić sobie prosty, hipotetyczny zbiór danych dla 50 uczestników, u których zmierzono aktywność tylko trzech obszarów mózgu określonych jako woksele. Ogólnym celem analizy wielowymiarowej jest zidentyfikowanie głównych źródeł wariancji w danych, a następnie opisanie głównych efektów badawczych w tych danych.W odniesieniu do tych źródeł wariantów, analiza jednowymiarowa nie bierze pod uwagę korelacji między wokselami. Oba widoczne tutaj panele zostałyby potraktowane w identyczny sposób przez analizę jednowymiarową, niezależnie od tego, czy między wokselami występuje korelacja, czy nie. W tym filmie procedura analizy dla analizy jednowymiarowej i wielowymiarowej zostanie zademonstrowana na zbiorze danych klinicznych zawierającym skany spoczynkowe FTG PET dla 95 pacjentów we wczesnym stadium choroby Alzheimera (AD) oraz 102 dopasowanych kontroli zdrowych (H); ze wszystkich obrazów mózgu losowo wybrano po 20 obrazów z grupy pacjentów i kontroli, aby stworzyć próbę pochodną.Pozostałe odpowiednio 75 i 82 skany stanowią próbkę replikacyjną. Przejdźmy teraz do sposobu zastosowania analiz jednowymiarowych oraz wielowymiarowych do tego zbioru danych. Rozpoczynając od podejścia jednowymiarowego, wyznacz marker choroby Alzheimera Univar za pomocą oprogramowania SPM. Aby zestawić 20 skanów AD z 20 skanami kontrolnymi w próbce pochodnej, wybierz obszar mózgu, w którym odnotowano największy spadek sygnału PET u pacjentów z AD w porównaniu z grupą kontrolną.Używając testu t, aby sprawdzić skuteczność diagnostyczną tego obszaru, przeanalizuj dane w próbce replikacyjnej dla tego samego obszaru mózgu i wykreśl sygnał PET jako funkcję stanu choroby. Następnie wyznacz marker wielowymiarowy. Do analizy wielowymiarowej wykorzystuje się dostępną online niestandardową bibliotekę MATLAB.Przeprowadź analizę głównych składowych (PCA) dla połączonych 40 skanów w próbie pochodzenia. Następnie skonstruuj wzorzec Covance z pierwszych sześciu głównych składowych, których wyniki u badanych wykazują maksymalną średnią różnicę pomiędzy 80 pacjentami a zdrową grupą kontrolną. Po uzyskaniu diagnostycznego wzorca Covance z próby pochodzenia, zastosuj go do próby replikacyjnej, przedstaw wyniki badanych w funkcji stanu chorobowego i porównaj efektywność w obu próbach.Aby przeprowadzić bardziej ogólne porównanie podejścia jednowymiarowego i wielowymiarowego, wykonaj symulację z podziałem próby i powtórz poprzednie kroki 1000 razy na danych z ponownego próbkowania, tworząc za każdym razem na nowo próbę pochodną składającą się z 20 osób z chorobą i 20 osób zdrowych oraz próbę replikacyjną składającą się z 75 do 82 pacjentów i zdrowych kontroli. Symulacje z podziałem próby są powszechne w badaniach metodologicznych, ponieważ umożliwiają prostą weryfikację markerów wyznaczonych w próbie pochodnej poprzez rejestrację ich błędów predykcji w próbie replikacyjnej; oblicz jednowymiarowe i wielowymiarowe markery choroby z próby pochodnej i ustal próg decyzyjny w taki sposób, aby maksymalnie jedna zdrowa kontrola została błędnie zaklasyfikowana jako chora, co odpowiada swoistości na poziomie 95%. Na koniec zastosuj markery choroby z ich specyficznymi progami decyzyjnymi do prób replikacyjnych i zarejestruj wskaźniki błędów klasyfikacji w próbie replikacyjnej dla wszystkich iteracji ponownego próbkowania. Teraz przyjrzymy się wynikom analiz jednowymiarowych i wielowymiarowych oraz emulacji symulacji z podziałem próby.W analizie obszarów jednowymiarowych stwierdzono, że największy deficyt FDG związany z chorobą Alzheimera wystąpił w kory precuneus, w polu Brodmanna 31. Osiągnięta powierzchnia pod krzywą ROC wyniosła 0,90.Generalizacja tego kontrastu na próbkę replikacyjną była bardzo dobra, z wartością pola pod krzywą ROC wynoszącą 0,84; w analizie wielowymiarowej obszary z dodatnimi ładunkami, sugerujące względze zachowanie sygnału w obliczu choroby, zlokalizowano w móżdżku, natomiast powiązaną utratę sygnału stwierdzono w obszarach skroniowych, czołowych oraz w zakręcie obręczy tylnej. Wartości pola pod krzywą ROC w próbce pochodnej i replikacyjnej były nieco wyższe niż w przypadku markera jednowymiarowego, wynosząc odpowiednio 0,96 i 0,88. Na podstawie całkowitych współczynników błędu klasyfikacji zarejestrowanych w symulacjach z podziałem próbki na 1000 części można zauważyć, że marker wielowymiarowy zapewnia lepszą replikację wydajności diagnostycznej niż marker jednowymiarowy. Właśnie zaprezentowaliśmy sposób zastosowania analizy wielowymiarowej w problematyce diagnostyki choroby Alzheimera w skanach PET Ft.G.Wszystkie dane są publicznie dostępne na stronie internetowej projektu Alzheimer's Disease Neuroimaging Initiative. Podczas wykonywania tej procedury na rzeczywistych danych należy pamiętać, że wcześniej zastosowano standardowe kroki kontroli jakości. Żadna analiza nie jest w stanie naprawić błędów wynikających z niskiej jakości danych.To wszystko. Dziękujemy za obejrzenie i życzymy powodzenia w prowadzeniu analiz.

basics-of-multivariate-analysis-in-neuroimaging-data

Research

JoVE Journal

Neuroscience

Neuronauka

Podstawy analizy wielowymiarowej danych obrazowania neurologicznego

Klasyczna wielowymiarowa analiza wzorców pozwala na przewidywanie bodźców sensorycznych odbieranych przez badanego na podstawie aktywności neuronalnej w odpowiadających im korach (np. bodźców wzrokowych na podstawie aktywności w korze wzrokowej). W niniejszej pracy stosujemy analizę wzorców w sposób między Modalnym i wykazujemy, że bodźce wzrokowe sugerujące dźwięk oraz dotyk mogą być przewidywane odpowiednio na podstawie aktywności w korze słuchowej i somatosensorycznej.

Krosmodalna wielowymiarowa analiza wzorców

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Strukturę mózgu oceniamy za pomocą wysokorozdzielczego obrazowania dyfuzyjnego oraz traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego MRI, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z właściwościami funkcjonalnymi sieci mózgowych.

Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego

Techniki wielowymiarowe, w tym analiza głównych składowych (PCA), zostały wykorzystane do identyfikacji wzorców sygnatur zmian regionalnych w funkcjonalnych obrazach mózgu. Opracowaliśmy algorytm identyfikacji powtarzalnych biomarkerów sieciowych do diagnostyki chorób neurodegeneracyjnych, oceny progresji choroby oraz obiektywnej oceny efektów leczenia w populacjach pacjentów.

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Łączność informacyjna mierzy zgodność między przebiegami czasowymi informacji wielowokselowych w różnych regionach mózgu. Szeregi czasowe dyskryminacji wzorców wielowokselowych są wyodrębniane z regionów i porównywane, ujawniając sieci, które nie są identyfikowane w typowym podejściu do łączności funkcjonalnej.

Wykorzystanie łączności informacyjnej do pomiaru synchronicznego pojawiania się informacji o wielu wokselach fMRI w czasie

Sieć trybu domyślnego (DMN) w padaczce skroniowej (TLE) jest analizowana w stanie spoczynku mózgu za pomocą rezonansu magnetycznego (fcMRI) opartego na nasionach.

Analiza sieciowa sieci w trybie domyślnym z wykorzystaniem rezonansu magnetycznego łączności funkcjonalnej w padaczce skroniowej

Standardowe techniki analizy EEG oferują ograniczony wgląd w funkcjonowanie układu nerwowego. Wyprowadzanie modeli statystycznych połączeń korowych daje znacznie większe możliwości badania podstawowej dynamiki sieci. Poprawa oceny funkcjonalnej otwiera nowe możliwości diagnozowania, prognozowania i przewidywania wyników w chorobach układu nerwowego.

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

To jest badanie rezonansu magnetycznego 3T, którego celem jest zbadanie różnic w objętości istoty szarej między pacjentami z psychozą wywołaną konopiami indyjskimi a niepsychotycznymi przewlekłymi użytkownikami marihuany.

Morfologia mózgu osób zażywających konopie indyjskie z psychozą lub bez: pilotażowe badanie MRI

Pomimo kluczowej roli splotu naczyniówkowego w mózgu, badania neuroobrazowe tej struktury są rzadkie z powodu braku niezawodnych narzędzi do automatycznej segmentacji. Obecny protokół ma na celu zapewnienie złotego standardu ręcznej segmentacji splotu naczyniówkowego, która może stanowić podstawę przyszłych badań neuroobrazowych.

Ręczna segmentacja ludzkiego splotu naczyniówkowego za pomocą rezonansu magnetycznego mózgu

Wprowadzamy protokół do badania neuronalnych korelatów zadania regulacji emocji poznawczych, a mianowicie ponownej oceny poznawczej, za pomocą funkcjonalnego rezonansu magnetycznego. Protokół ten był stosowany u pacjentów z zaburzeniami obsesyjno-kompulsywnymi i zdrowych osób z grupy kontrolnej, ale może być również stosowany w innych próbkach klinicznych.

Badanie neuronalnych korelatów ponownej oceny poznawczej w zaburzeniach obsesyjno-kompulsywnych za pomocą funkcjonalnego rezonansu magnetycznego opartego na zadaniach

Opisano technikę szerokiego otwierania bariery krew-mózg u myszy z wykorzystaniem mikropęcherzyków i ultradźwięków. Dzięki zastosowaniu tej metody do mózgu myszy można wprowadzić mangan. Ponieważ mangan jest środkiem kontrastowym do MRI, który kumuluje się w zdepolaryzowanych neuronach, podejście to umożliwia obrazowanie aktywności neuronalnej.

Funkcjonalne obrazowanie neuronaukowe z wykorzystaniem ultrasonicznego otwierania bariery krew-mózg i MRI z wzmocnieniem manganem

Poznaj analizę wielowymiarową w danych neuroobrazowych z zastosowaniem PCA i analizy dyskryminacyjnej do diagnozy choroby Alzheimera. Ta metoda zapewnia lepszą skuteczność diagnostyczną niż analiza jednowymiarowa.

Podstawy analizy wielowymiarowej w danych neuroobrazowych

Przeglądaj więcej filmów