Identificação de doenças relacionadas com padrões de covariância espacial utilizando dados de neuroimagem

O objetivo geral deste procedimento é determinar biomarcadores de imagem de padrão de Covance de distúrbios cerebrais neurofuncionais. Isso é feito obtendo primeiro varreduras cerebrais de volume único de um conjunto de pacientes clinicamente pré-diagnosticados e um conjunto de controles normais pareados por idade e, de preferência, sexo usando modalidades como PET spect, A-S-L-F-M-R-I ou V-B-M-M-R-I. O segundo passo é normalizar espacialmente as imagens para um modelo estereotáxico comum.

Em seguida, uma técnica multivariada. O modelo Scaled SubProfile de análise de componentes principais ou S-S-M-P-C-A é realizado e os componentes principais de saída ou PCs e suas pontuações de assunto correspondentes são examinados. A etapa final é determinar o melhor PC ou combinação de PCs que definem um padrão de Covance que discrimina pacientes de controles.

Em última análise, o padrão de Covance pode ser usado para pontuar indivíduos em potencial em sua expressão da doença. A vantagem desse método em relação a algumas das técnicas comparativas de voxel único popularizadas é a capacidade de identificar e medir a atividade das redes cerebrais. Estes são padrões regionais de Covance distribuídos no cérebro.

Mais importante ainda, permite medir a atividade de uma determinada rede no cérebro e resumi-la por um único número que é um atributo importante para a investigação clínica. Este método pode ajudar a responder a questões-chave no campo da neurociência, como identificar as redes metabólicas para diferentes doenças neurológicas que apresentam sintomas semelhantes nos estágios iniciais da progressão da doença. As implicações dessa técnica se estendem tanto para o diagnóstico diferencial quanto para o planejamento do tratamento de doenças como a doença de Parkinson, porque uma pontuação de um único sujeito pode ser obtida, que pode ser aplicada ao diagnóstico diferencial e ao planejamento do tratamento.

Embora este método possa fornecer informações sobre as síndromes parkinsonianas. Também pode ser aplicado a outros distúrbios neurodegenerativos, como a doença da caça e a doença de Alzheimer. Geralmente, indivíduos novos neste método lutarão com conceitos univa preconcebidos que consideram os efeitos da doença localizados em grupos regionais isolados.

O Dr. James Moler teve a ideia desse método pela primeira vez quando aplicou esse conceito para estudar a demência em pacientes com AIDS. A demonstração visual desse método é importante para compreender os processos envolvidos na análise de redes. No entanto, as etapas reais envolvidas no uso de nossos programas não são difíceis de aprender porque são altamente automatizadas Para estudar o metabolismo cerebral usando tomografia por emissão de pósitrons ou PET, primeiro administre um marcador de radionuclídeos, como 18 F, flúor, desoxiglicose para cada paciente no grupo da doença após um jejum de pelo menos 12 horas sem medicamentos e para cada controle normal.

Aguarde 45 minutos para que o traçador atinja o equilíbrio no tecido. Em seguida, escaneie cada indivíduo enquanto ele está em repouso com os olhos abertos para derivação de padrões. Escaneie um número igual de pacientes e controles pareados com gênero e H assim que o exame for concluído.

Transfira dados de imagem para uma estação de trabalho e converta-os em um formato apropriado para análise. O software de análise MATLAB baseado em Windows usado aqui requer a conversão de formatos avançados ge para analisar ou imagens de formato bacana. Em seguida, normalize a imagem de cada sujeito para um espaço estereotáxico comum usando um pacote de software de neuroimagem padrão, como o SPM, para que haja uma correspondência de um para um dos valores de voxel entre os sujeitos.

Em seguida, aplique uma máscara de matéria cinzenta à imagem normalizada para limitar a análise às áreas de substância cinzenta. Se uma máscara externa não estiver disponível, crie máscaras de assunto individuais excluindo valores inferiores a um limite especificado. Porcentagem do valor máximo de cada sujeito e multiplique as máscaras para definir um espaço de voxel composto de matéria cerebral cinza para a análise.

Para realizar a análise de componente principal do modelo SubProfile em escala multivariada ou S-S-M-P-C-A, use o VP de varredura de rotinas internas disponível no site de neurociência da Feinstein. Também disponível como uma caixa de ferramentas de mapeamento paramétrico estatístico, SSM PCA no menu VP de varredura, selecione estatísticas. Em seguida, SSM, depois baseado em voxel e depois PCA.

Em seguida, marque selecionar controles no menu e escolha as imagens de controle normalizadas anteriormente. Em seguida, selecione os arquivos de imagem para inserir as imagens normalizadas do paciente. Selecione uma máscara ou limite apropriado e marque as outras opções no menu.

Em seguida, pressione process e insira um nome para a saída experimental. Aguarde até que o visor visualize as imagens dos componentes principais de interesse em seus arquivos de pontuação correspondentes para outro software. Emule o algoritmo executado pelo processo automatizado que acabamos de descrever.

Para realizar isso, os primeiros dados de máscara usam uma máscara de imagem zero um disponível para remover áreas indesejadas do espaço voxel, como substância branca e ventrículos, conforme descrito na etapa de pré-processamento. Em seguida, converta os dados da trincheira de imagem mascarada 3D de cada assunto em um vetor de linha contínua, anexando linhas de varredura sequenciais de planos consecutivos formam uma matriz de dados de grupo para que os dados de cada assunto correspondam a uma linha específica da matriz. Cada coluna representa um voxel específico entre os sujeitos.

Depois que cada assunto for carregado na matriz, transforme cada entrada de dados em forma logarítmica. Em seguida, centralize a matriz de dados subtraindo cada média de linha ou média de assunto dos elementos de linha. A média de todas as linhas centralizadas representa uma imagem de log média de grupo característica, termo a grupo, perfil médio ou GMP.

Em seguida, subtraia as médias da coluna dos elementos da coluna da matriz correspondente. Cada linha da matriz de centro duplo representa uma imagem residual denominada perfil residual do sujeito ou SRP, cujos elementos representam desvios do grupo S do sujeito e do voxel V, o que significa que isso ocorre de acordo com a equação mostrada aqui, onde S-R-P-S-V é um elemento da matriz SRP correspondente ao sujeito S e voxel. VDSV é o valor de dados original, a média S é o valor médio do sujeito e GMPV é o valor médio do grupo do voxel V. Em seguida, construa o sujeito pela matriz de Covance C da matriz de dados SRP composta de duplo centro calculando o Covance não normalizado entre cada par de linhas da matriz de perfil residual do sujeito.

Usando esta equação mostrada aqui, onde CIJ é um elemento do Covance simétrico, matriz C e c, RRP IV e CRP JV são elementos voxels correspondentes da matriz CRP rosa INJ que são multiplicados e somados em todos os voxels. Em seguida, aplique a análise de componentes principais ao assunto por assunto Matriz de Covance C. Os resultados serão um conjunto de vetores de egen de pontuação de assunto com valores de egen associados. Em seguida, pondere cada vetor multiplicando pela raiz quadrada de seu valor de egen correspondente.

O conjunto de vetores próprios de pontuação é representado pelas colunas da matriz S mostradas aqui. Em seguida, determine os vetores de egen de voxel para o mesmo conjunto de valores de egen multiplicando a matriz do vetor de pontuação pela transposição da matriz de perfil residual do sujeito. Isso cria uma matriz P de vetores de voxel padrão, egen em uma ordem decrescente de valores de egen de acordo com a equação mostrada aqui, onde P é a matriz de vetores de voxel egen do componente principal.

SRPT é a transposição da matriz SRP e S é a matriz vetorial de pontuação, em seguida, transforme cada vetor em uma imagem de componente principal. Cada imagem do componente principal é atribuída a uma porcentagem da variância total contabilizada ou VAF correspondente ao tamanho relativo de seu valor igon. Examine os resultados da análise de componentes principais para determinar padrões associados a valores altos contabilizados.

Os vetores e pontuações do padrão de voxel são transformados em Z para que seus valores representem desvios padrão positivos e negativos dos valores médios. Em seguida, tentar identificar desvios regionais associados à doença que está sendo estudada. Em seguida, examine os gráficos de dispersão das pontuações correspondentes a cada padrão de componente principal.

Um gráfico opcional de características operacionais do receptor também pode ser gerado para identificar um padrão específico da doença. Avalie a diferenciação das pontuações dos sujeitos entre pacientes e controles, examinando os valores de P dos dois testes T de amostra correspondentes e os valores da área sob a curva. Em seguida, o vetor normaliza e combina linearmente os principais componentes selecionados para produzir um único padrão relacionado à doença.

Para conseguir isso, a função MATLAB, ajuste GLM é usada para determinar coeficientes com base em modelos logísticos ou outros modelos de regressão aplicados às pontuações dos sujeitos. Uma vez identificado um padrão de biomarcador, você pode avaliar sua expressão de pontuação em um sujeito em potencial a partir da varredura desse indivíduo, esta operação é realizada pelo TPR no menu. Para conseguir isso, use um cálculo simples do produto vetorial de pontos interno do vetor SRP do sujeito e do vetor padrão GIS.

Finalmente, valide ainda mais o biomarcador de padrão potencial resultante por reamostragem de bootstrap usando software externo e por validação direta de grupos de sujeitos independentes. A validação direta é facilitada pelo uso do TPR para determinar as pontuações de uma coorte prospectiva. Aqui são mostradas exibições axiais através da origem das primeiras quatro imagens de componentes principais da análise SSM de 10 pacientes com doença de Parkinson clinicamente diagnosticados com 10 controles pareados por idade e sexo.

As cores quentes indicam aumentos relativos na atividade metabólica. Dentro desse princípio, a contribuição do componente para o perfil residual geral do sujeito, enquanto as cores frias indicam diminuições metabólicas relativas. O componente principal um teve a maior variância contabilizada ou valor de VAF e o menor valor de P representando alta significância e é o único que poderia ser considerado sozinho um potencial biomarcador independente.

As regiões significativas de variação que contribuem para o padrão geral são evidentes quando exibidas em vistas ortogonais Sobre um fundo de imagem estrutural de ressonância magnética, a combinação de componentes principais pode ser usada para tentar aumentar a significância, como no caso dos componentes um e quatro, onde, quando combinados, reduz o valor de P, sugerindo maior significância. Esses gráficos mostram os gráficos de barras independentes e os gráficos de dispersão das pontuações Z do sujeito de derivação apenas do componente principal um e do componente principal quatro. O primeiro componente principal discrimina significativamente os pacientes dos controles.

Enquanto o quarto demonstra uma tendência. A combinação logística linear do componente principal um e do componente principal quatro melhora a discriminação. Como indicado anteriormente, o padrão combinado demonstra separação perfeita em um limite de escore Z de 0,9.

A combinação do componente principal três mostra uma discriminação ligeiramente maior em relação à combinação de um e quatro, mas todos os quatro componentes principais não melhoraram a discriminação de dados devido à capacidade de não discriminação do princípio. Componente. Dois, avaliação prospectiva de pontuação de padrões para o componente principal um e padrões combinados de componentes principais um e quatro componentes principais um, três e quatro e componentes principais 1, 2, 3 e quatro para 22 controles normais e 22 pacientes com DP são mostrados aqui. Os valores da área sob a curva e a sensibilidade parecem diminuir para mais de dois componentes principais combinados.

Embora os valores de P tendam a se tornar menos robustos, uma melhora insignificante foi observada para o PC um quatro em relação ao PC um sozinho em valores de UC e P. Em contraste com a diferença significativa prevista na amostra de derivação. Uma vez que os exames de pacientes com uma doença e indivíduos de controle são necessários para a identificação e validação de padrões de doença realistas e válidos, torna-se um procedimento simples usando este algoritmo Depois que os padrões da doença foram identificados e validados, outros métodos, como análise de correlação de escores de pacientes com medidas clínicas independentes, podem ser usados para responder a perguntas adicionais.

Por exemplo, se o biomarcador de imagem reflete manifestações motoras ou cognitivas da doença ou se as expressões de padrões de doença podem ajudar a diferenciar entre diferentes condições que apresentam sintomas semelhantes em casos clínicos difíceis de diagnosticar. Não se esqueça de que este procedimento não pode ser aplicado diretamente aos dados de ressonância magnética funcional de séries temporais devido às flutuações dinâmicas na resposta e à baixa relação sinal-ruído associada aos sinais FMRI.