Основы Многомерный анализ данных в нейровизуализации
24 июля 2010 г.
Данная статья описывает основы многомерного анализа и противопоставляет ей чаще используется воксела стрелке одномерного анализа. Оба вида анализа используются для клинико-неврологии набора данных. Дополнительное раскол половиной расчеты показывают, лучше репликацию многомерных результатов в независимых наборов данных.
В данном видео демонстрируются и сравниваются методы многомерного и одномерного анализа данных нейровизуализации применительно к диагностике болезни Альцгеймера. Сначала для одномерного анализа проводится сопоставление активности мозга 20 пациентов с ранней стадией болезни Альцгеймера и 20 здоровых добровольцев соответствующего возраста. Для выявления области мозга, в которой наблюдается наибольший относительный дефицит сигнала FDG PET у пациентов с болезнью Альцгеймера по сравнению с контрольной группой, используется SPM.
Для многомерного анализа используется метод главных компонент в сочетании с линейным дискриминантным анализом; результаты по маркерам показывают, что многомерный маркер обеспечивает лучшую диагностическую эффективность, чем одномерный, и обладает более высокой способностью к обобщению на независимых данных. Здравствуйте, я Кристиан Халбек из TA Institute кафедры неврологии Медицинского центра Колумбийского университета. Сегодня мы продемонстрируем вам пример многомерного анализа данных нейровизуализации.
Мы используем эту процедуру в нашей лаборатории для изучения оптимальных способов раннего выявления болезни Альцгеймера на основе данных нейровизуализации. Итак, приступим. Начнем с концептуального обзора многомерного анализа данных нейровизуализации.
Многомерные подходы позволяют оценить корреляцию активности в различных областях мозга, в отличие от одномерного анализа, который проводится попиксельно (повоксельно). Например, можно представить простой гипотетический набор данных для 50 участников-людей, в котором измерялись только три области мозга, обозначенные как воксели. Общая цель многомерного анализа заключается в выявлении основных источников вариативности данных с последующим описанием значимых эффектов, представляющих интерес.
Что касается этих источников вариаций, одномерный анализ не учитывает корреляцию между вокселями. Обе представленные здесь панели будут обрабатываться одномерным анализом идентичным образом, независимо от наличия корреляции между вокселями. В данном видео процедура одномерного и многомерного анализа будет продемонстрирована на клиническом наборе данных, содержащем ПЭТ-сканы мозга в состоянии покоя с использованием FTG для 95 пациентов с ранней стадией болезни Альцгеймера (AD) и 102 соответствующих по характеристикам здоровых людей из контрольной группы (H); из всех изображений мозга для обеих групп пациентов и контроля было случайным образом отобрано по 20 снимков для формирования выборки вывода.
Оставшиеся 75 и 82 скана соответственно составляют репликационную выборку. Теперь рассмотрим, как применить к этому набору данных как одномерный, так и многомерный анализ. Начиная с одномерного подхода, определите одномерный маркер болезни Альцгеймера с помощью программного обеспечения SPM. Чтобы сопоставить 20 сканов с БА и 20 контрольных сканов в производственной выборке, выберите область мозга, в которой наблюдается наибольшее снижение ПЭТ-сигнала у пациентов с БА по сравнению с контрольной группой.
Используя t-критерий для проверки диагностической эффективности данной области, проанализируйте данные по этой же области мозга в репликационной выборке и постройте график ее ПЭТ-сигнала в зависимости от статуса заболевания. Затем получите многомерный маркер. Для проведения многомерного анализа используется специализированный инструментарий MATLAB, доступный в сети.
Выполните анализ главных компонентов (PCA) для совокупности 40 сканов в производственной выборке. Затем постройте паттерн Covance на основе первых шести главных компонентов, показатели которых у испытуемых демонстрируют максимальную среднюю разницу между 80 пациентами и здоровым контролем. После получения диагностического паттерна Covance на производственной выборке примените его к репликационной выборке, постройте график полученных показателей испытуемых в зависимости от статуса заболевания и сравните результаты в обеих выборках.
Для проведения более общего сравнения одномерного и многомерного подходов выполните симуляцию с разделением выборки и повторите предыдущие шаги 1000 раз на повторно отобранных данных, каждый раз заново формируя производственную выборку из 20 до 20 человек и репликационную выборку из 75 до 82 пациентов и здоровых контролей (всего 80 человек). Симуляции с разделением выборки часто используются в методологических исследованиях, поскольку они позволяют легко проверить маркеры, полученные в производственной выборке, путем регистрации ошибок их прогнозирования в репликационной выборке; вычислите одномерные и многомерные маркеры заболевания по производственной выборке и установите порог принятия решения таким образом, чтобы не более одного здорового контроля было ошибочно классифицировано как ad, что соответствует специфичности 95%. Наконец, примените маркеры заболевания с их специфическими порогами принятия решения к репликационным выборкам и зафиксируйте частоту ошибок классификации в репликационной выборке для всех итераций повторного отбора. Теперь мы рассмотрим результаты одномерного и многомерного анализов, а также результаты эмуляций симуляций с разделением выборки.
Для анализа односторонней области. Область наибольшего дефицита FDG, связанного с болезнью Альцгеймера, была обнаружена в прекунеусе (область Бродмана 31). Значение площади под ROC-кривой составило 0,90.
Обобщаемость этого контраста на репликационную выборку была достаточно высокой с показателем площади под ROC-кривой 0,84; области многомерного анализа с положительными нагрузками, указывающие на относительное сохранение сигнала при заболевании, были обнаружены в мозжечке, в то время как соответствующая потеря сигнала наблюдалась в теменно-височных и лобных областях, а также в задней поясной извилине. Площади под ROC-кривыми в обеих выборках — производной и репликационной — были несколько выше, чем у одномерного маркера, составив 0,96 и 0,88 соответственно. Исходя из общих показателей ошибок классификации, зафиксированных в симуляциях с разделением выборки на 1000 частей, можно сделать вывод, что многомерный маркер обеспечивает лучшую воспроизводимость диагностической эффективности, чем одномерный маркер. Мы только что продемонстрировали вам способ применения многомерного анализа к проблеме диагностики болезни Альцгеймера по данным ПЭТ-сканирования с использованием Ft.G.
Все данные находятся в открытом доступе на веб-сайте инициативы Alzheimer's Disease Neuroimaging Initiative. При выполнении данной процедуры на реальных данных важно помнить, что предварительно были применены стандартные этапы контроля качества. Никакой анализ не способен исправить исходно низкое качество данных.
На этом всё. Спасибо за просмотр и удачи в проведении анализа.
Обзор
В данной статье проводится сравнение методов многомерного анализа с одномерным анализом в контексте использования данных нейровизуализации для диагностики болезни Альцгеймера. Особое внимание уделяется преимуществам многомерных методов, которые обеспечивают более высокую диагностическую точность и лучшую обобщающую способность при работе с независимыми наборами данных.
Основные компоненты исследования
Область науки
- Нейробиология
- Нейровизуализация
- Клинические исследования
Теоретическая часть
- Многомерный анализ позволяет оценить корреляции между различными областями мозга.
- Одномерный анализ исследует данные попиксельно (на уровне каждого вокселя).
- Оба метода применяются к клиническим наборам данных для исследования болезни Альцгеймера.
- Понимание этих методов имеет решающее значение для повышения точности диагностики.
Цель исследования
- Продемонстрировать применение многомерного анализа в нейровизуализации.
- Сравнить эффективность многомерного и одномерного анализа при диагностике болезни Альцгеймера.
- Предоставить сведения о воспроизводимости результатов на независимых наборах данных.
Используемые методы
- Анализ ПЭТ-сканов с ФДГ пациентов с ранней стадией болезни Альцгеймера и здоровых добровольцев.
- Использование SPM для одномерного анализа с целью выявления областей мозга с дефицитом функции.
- Применение метода главных компонент и линейного дискриминантного анализа для многомерного анализа.
- Симуляции методом разделения выборки пополам для оценки надежности диагностических маркеров.
Основные результаты
- Мультивариантный маркер продемонстрировал более высокую диагностическую эффективность, чем унивариантный маркер.
- Площади под ROC-кривой оказались выше для мультивариантного анализа как в производственной, так и в репликационной выборках.
- Симуляции на разделенных выборках подтвердили более высокую воспроизводимость результатов мультивариантного анализа.
- С помощью обоих методов анализа были идентифицированы ключевые области мозга, связанные с болезнью Альцгеймера.
Выводы
- Многомерный анализ расширяет диагностические возможности при болезни Альцгеймера.
- Робастность результатов имеет решающее значение для клинического применения.
- Необходимы дальнейшие исследования для совершенствования этих аналитических методов.
Часто задаваемые вопросы
Промышленная значимость
Многофакторный анализ данных нейровизуализации обеспечивает повышенную статистическую мощность и воспроизводимость при валидации мишеней в исследованиях нейродегенеративных заболеваний. Оценивая межрегиональные корреляции, а не сигналы на уровне отдельных вокселей, данный подход позволяет получить более биологически значимую характеристику изменений нейронных сетей. Такой механистический анализ рисков повышает прогностическую достоверность на ранних этапах поиска, особенно при болезни Альцгеймера и связанных с ней расстройствах, где патофизиология на уровне сетей играет центральную роль в механизме заболевания.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишеней
- Научная ценность: позволяет проверять терапевтические гипотезы путем выявления коррелирующих паттернов активности областей мозга, которые отражают дисфункцию сетей, связанную с заболеванием.
- Операционная ценность: обеспечивает снижение биологических рисков за счет использования многомерных маркеров, фиксирующих распределенную патофизиологию за пределами эффектов в одной области.
- Прогностическая ценность: способствует сортировке портфеля разработок, предоставляя диагностические маркеры с более высокой способностью к обобщению на независимых наборах данных, что снижает риск неудач при трансляционном переходе.
Скрининг и разработка анализа
- Научная ценность: Подготовка валидированных биологических систем для последующих этапов анализа путем установления воспроизводимых нейровизуализационных признаков, связанных с состоянием заболевания.
- Практическая ценность: Решение вопросов стандартизации анализа и требований к количественным результатам с помощью паттернов, полученных методом главных компонентов, с определенными пороговыми значениями принятия решений.
- Масштабируемость: Демонстрация потенциала повторного использования платформы с помощью протоколов валидации на разделенных выборках, которые позволяют оценить устойчивость маркеров в повторно отобранных когортах.
Трансляционные и доклинические исследования
- Научная ценность: Рассматривается значимость для понимания заболевания посредством применения к данным ADNI, что демонстрирует соответствие патофизиологии болезни Альцгеймера.
- Практическая ценность: Описывается преемственность процесса от этапа открытия до доклинической валидации путем демонстрации того, как маркеры, полученные на выборочных образцах, распространяются на репликационные образцы.
- Прогресс с учетом рисков: Рассматриваются решения о продвижении с учетом рисков путем демонстрации превосходных результатов репликации в 1000 симуляций с разделением выборки.
Интеграция конвейера и рабочего процесса
Рассматривает многомерный анализ в контексте континуума открытий — от проверки гипотез до идентификации перспективных соединений-лидеров, что способствует снижению биологических рисков и прогностическому моделированию в программах по изучению нейродегенеративных заболеваний.
- Открывающая биология: Объясняется, как данный метод способствует проверке гипотез путем выявления основных источников вариативности и главных интересующих эффектов в данных нейровизуализации.
- Скрининг: Описывается готовность анализа с помощью количественных показателей испытуемых, полученных на основе главных компонент и линейного дискриминантного анализа.
- Аналитика: Особое внимание уделяется таким показателям, как площадь под ROC-кривой и частота ошибок классификации, которые позволяют проводить сравнение между различными условиями и устанавливать пороговые значения.
- Трансляционные исследования: Метод обеспечивает преемственность с доклиническими исследованиями, демонстрируя обобщаемость диагностических маркеров при переходе от выборочных к репликационным образцам.
- Корпоративное повторное использование: Метод представлен как многоразовый инструмент благодаря механизмам симуляции с разделением выборки, которые позволяют подтвердить эффективность маркеров на независимых наборах данных.
Операционное и корпоративное влияние
- Научная ценность: прогностическая достоверность, валидация мишени, снижение механистической неопределенности при моделировании заболеваний на основе нейровизуализации.
- Операционная ценность: стандартизация, воспроизводимость и масштабируемость многомерных маркеров, полученных с помощью конвейеров PCA и LDA.
- Стратегическая ценность: более обоснованные решения о продолжении или прекращении разработки (go/no-go), эффективность использования капитала и снижение биологических рисков на поздних стадиях за счет улучшения обобщающей способности маркеров.
- Влияние на портфель: приоритизация с учетом рисков и принятие решений о продвижении проектов на основе показателей репликации в симулированных независимых когортах.
Особенности реализации
- Необходимый научный опыт в области многомерной статистики, нейровизуализации и работы с вычислительными пакетами, такими как MATLAB.
- Потребности в инструментарии и аналитической инфраструктуре, включая доступ к SPM для одномерного контрастирования и специализированным инструментариям для рабочих процессов PCA-LDA.
- Требования к межгрупповой стандартизации при определении разделения на выборки для вывода и репликации, настроек порогов (например, специфичность 95%) и протоколов симуляции.
- Особенности адаптации для различных модельных систем, в частности, в отношении этапов предобработки и выбора региональных признаков для PCA.
- Практические ограничения, подтвержденные исходными материалами: высокий порог вхождения из-за методологической сложности и необходимость в больших, хорошо охарактеризованных наборах данных для предотвращения переобучения.
