Fundamentos da Análise Multivariada em Dados de neuroimagem

Este vídeo demonstra e compara técnicas de análise multivariada e univariada para dados de neuroimagem com aplicações no diagnóstico da doença de Alzheimer. Primeiro, a atividade cerebral de 20 pacientes com Alzheimer precoce é contrastada com a de 20 controles saudáveis pareados por idade para a análise univariada. O SPM é utilizado para identificar a região cerebral que apresenta o maior déficit relativo no sinal de PET com FDG nos pacientes com Alzheimer em comparação com os indivíduos controle.

Para a análise multivariada, utiliza-se a análise de componentes principais com análise discriminante linear para derivar os marcadores. Os resultados indicam que o marcador multivariado oferece um desempenho diagnóstico melhor do que o marcador univariado e apresenta generalização superior a dados independentes. Olá, sou Christian Halbeck do Instituto TA do Departamento de Neurologia do Centro Médico da Universidade Columbia. Hoje mostraremos a você um exemplo de análise de dados multivariados de dados de neuroimagem.

Utilizamos este procedimento em nosso laboratório para estudar a melhor forma de detectar o estágio inicial da doença de Alzheimer a partir de dados de neuroimagem. Vamos começar. Iniciaremos com uma visão conceitual da análise multivariada de dados de neuroimagem.

As abordagens multivariadas avaliam a correlação de atividade entre regiões cerebrais, em vez de proceder com base em voxel a voxel, como é feito na análise univariada. Por exemplo, podemos imaginar um conjunto de dados hipotético simples de 50 participantes humanos no qual apenas três regiões, denotadas como voxels no cérebro, foram medidas. O objetivo geral da análise multivariada é identificar as principais fontes de variância nos dados e, em seguida, descrever os principais efeitos de interesse nos dados.

Em termos dessas fontes de variantes, a análise univariada não leva em consideração a correlação entre os vóxeis. Ambos os painéis mostrados aqui seriam tratados de maneira idêntica pela análise univariada, independentemente de haver ou não correlação entre os vóxeis. Neste vídeo, o procedimento de análise para as abordagens univariada e multivariada será demonstrado em um conjunto de dados clínicos contendo exames de PET com FTG em repouso de 95 pacientes com Alzheimer precoce ou DA e 102 controles saudáveis pareados (H), sendo que, dentre todas as imagens cerebrais, 20 foram selecionadas aleatoriamente, tanto entre os pacientes quanto entre os controles, para compor a amostra de derivação.

As 75 e 82 varreduras restantes constituem, respectivamente, a amostra de replicação. Agora vamos ver como aplicar análises univariada e multivariada a este conjunto de dados. Começando com a abordagem univariada, obtenha o marcador de doença de Alzheimer Univar utilizando o software SPM. Para contrastar as 20 varreduras de DA com as 20 varreduras de controle na amostra de derivação, selecione a localização cerebral que mostra a maior diminuição no sinal de PET nos pacientes com DA em comparação com os controles.

Utilizando um teste T para testar a eficácia diagnóstica desta região, verifique os dados na amostra de replicação para esta mesma região cerebral e plote seu sinal de PET em função do estado da doença. Em seguida, obtenha o marcador multivariado. Uma caixa de ferramentas personalizada do MATLAB disponível on-line é utilizada para a análise multivariada usando a caixa de ferramentas personalizada do MATLAB.

Realize uma análise de componentes principais ou PCA nos 40 exames combinados da amostra de derivação. Em seguida, construa um padrão Covance a partir dos seis primeiros componentes principais cuja pontuação dos indivíduos mostre a diferença média máxima entre 80 pacientes e controles saudáveis. Uma vez obtido o padrão diagnóstico Covance a partir da amostra de derivação, aplique-o à amostra de replicação, represente graficamente as pontuações resultantes dos indivíduos em função do estado da doença e compare o desempenho nas duas amostras.

Para fornecer uma comparação mais geral das abordagens univariada e multivariada, realize uma simulação com divisão da amostra e repita os passos anteriores 1000 vezes em dados reamostrados, criando a cada vez uma amostra de derivação com 20 pacientes e 20 controles saudáveis e uma replicação com 75 a 82 pacientes e 80 controles saudáveis, formadas novamente a cada iteração. Simulações com divisão da amostra são comuns em pesquisas metodológicas, pois oferecem um teste simples dos marcadores derivados na amostra de derivação ao registrar seus erros de predição na amostra de replicação. Calcule marcadores de doença univariados e multivariados a partir da amostra de derivação e defina o limiar de decisão de modo que no máximo um controle saudável seja classificado incorretamente como doente, o que corresponde a uma especificidade de 95%. Finalmente, aplique os marcadores de doença com seus limiares de decisão específicos às amostras de replicação e registre as taxas de erro de classificação na amostra de replicação para todas as iterações de reamostragem. Agora analisaremos os resultados das análises univariada e multivariada e das simulações com divisão da amostra.

Para a análise da área univ. A área do maior déficit de FDG relacionado ao vício foi encontrada no precúneo, área de Brodmann 31. A área sob a curva rock alcançada foi de 0,90.

A generalização desse contraste para a amostra de replicação foi bastante boa, com uma área sob a curva ROC de 0,84 para a análise multivariada. Áreas com cargas positivas sugerem uma preservação relativa do sinal diante da doença, observada no cerebelo, enquanto perda de sinal associada foi encontrada nas regiões parietotemporal e frontal e no giro do cíngulo posterior. As áreas sob as curvas ROC nas amostras de derivação e replicação foram ligeiramente melhores do que a do marcador univariado, com valores de 0,96 e 0,88, respectivamente. A partir das taxas totais de erro de classificação registradas nas 1000 simulações com amostras divididas, podemos constatar que o marcador multivariado apresenta melhor replicação do desempenho diagnóstico do que o marcador univariado. Acabamos de mostrar como aplicar a análise multivariada ao problema diagnóstico de Alzheimer em exames de tomografia por emissão de pósitrons com Ft.G.

Todos os dados estão publicamente disponíveis no site da Iniciativa de Neuroimagem da Doença de Alzheimer. Ao realizar este procedimento com dados reais, é importante lembrar que as etapas habituais de controle de qualidade já foram aplicadas previamente. Nenhuma análise pode fazer milagres com dados de baixa qualidade.

É isso aí. Obrigado por assistir e boa sorte com a sua análise.