Summary
Tecniche multivariate tra cui l'analisi delle componenti principali (PCA) sono stati utilizzati per identificare i modelli delle firme di cambiamento regionale in immagini funzionali del cervello. Abbiamo sviluppato un algoritmo per identificare i biomarcatori di rete riproducibili per la diagnosi di patologie neurodegenerative, la valutazione della progressione della malattia, e la valutazione obiettiva degli effetti del trattamento in popolazioni di pazienti.
Abstract
Il modello in scala sottoprofilo (SSM) 1-4 è un algoritmo basato multivariata PCA che identifica le principali fonti di variazione paziente e gruppo di controllo dati immagine cerebrali e respingendo componenti minori (Figura 1). Applicato direttamente ai dati di covarianza voxel-by-voxel di immagini multimodali di stato stazionario, un intero set di immagini di gruppo può essere ridotto a un paio di significativi modelli di covarianza linearmente indipendenti e corrispondenti punteggi soggetto. Ogni modello, definito un gruppo sottoprofilo invariante (GIS), è un componente principale ortogonale che rappresenta una rete spazialmente distribuito di regioni cerebrali correlate funzionalmente. Grandi effetti globali scalari medi che possono oscurare più piccoli di rete specifici contributi vengono rimossi dalla conversione logaritmica intrinseca e significano centratura dei dati 2,5,6. Soggetti esprimono ciascuno di questi modelli in misura variabile rappresentata da un semplice punteggio scalare che può correlare con clin indipendentedescrittori di iCal o psicometrica 7,8. Utilizzando l'analisi di regressione logistica dei punteggi soggetti (ossia i valori di espressione del modello), coefficienti lineari possono essere derivate per combinare più componenti principali in singole malattie legate modelli di covarianza spaziale, cioè le reti composite con una migliore discriminazione dei pazienti provenienti da soggetti sani di controllo 5,6. Convalida incrociata all'interno del set di derivazione può essere eseguita utilizzando tecniche di ricampionamento bootstrap 9. Convalida in avanti è facilmente confermata dalla valutazione diretta punteggio dei modelli derivati a potenziali dataset 10. Una volta convalidati, modelli correlati alla malattia possono essere utilizzati per segnare singoli pazienti rispetto ad un campione di riferimento fisso, spesso l'insieme di soggetti sani che è stato utilizzato (con il gruppo malattia) nel modello originale derivazione 11. Questi valori standardizzati possono a loro volta essere usati per aiutare nella diagnosi differenziale 12,13 e per valutare la malattiaprogressione e il trattamento degli effetti a livello di rete 7,14-16. Vi presentiamo un esempio di applicazione di questa metodologia di FDG PET dati dei pazienti con malattia di Parkinson e dei controlli normali utilizzando il nostro software in-house per ricavare una caratteristica covarianza modello biomarker di malattia.
Introduction
Malattie neurodegenerative sono stati ampiamente studiati con tecniche che localizzano e quantificare le anomalie del metabolismo del cervello così come i metodi non-inferenziali che studiano le interazioni regionali 17. Data-driven strategie di analisi multivariata come l'analisi delle componenti principali (PCA) 1,2,4,18 e analisi delle componenti indipendenti (ICA) 19,20, così come le tecniche di supervisione come quadrati parziali (PLS almeno) 21 e tendenze ordinali canoniche variates analisi (Ort / CVA) 22 può rivelare modelli caratteristici o "reti" di attività correlate. Le basi di procedure multivariate, in particolare il modello in scala sottoprofilo (SSM) 1,2,4-6,18 sono stati precedentemente descritti in JoVE 3. Questo approccio PCA-based è stato originariamente sviluppato per esaminare anormali rapporti covarianza funzionali tra le regioni del cervello in stato stazionario di singole immagini di volume di flusso sanguigno cerebrale e il metabolismo acquired nello stato di riposo di modalità come la PET e la SPECT che presentano caratteristiche di alto rapporto segnale-rumore. Modelli SSM malattie specifiche sono biomarcatori che riflettono differenze complessive nella topografia regionale nei pazienti rispetto ai soggetti normali 7,16 e può riflettere un singolo processo di rete o l'assimilazione di diverse complesse funzioni anormali 23. Reti del cervello modello di covarianza metabolici sono associati a valori di espressione (soggetto punteggi) in grado di distinguere tra i gruppi normali e di malattia e di fornire misure di network-based che correlano con le valutazioni cliniche di gravità della malattia. In genere, soggetti punteggi per tali modelli aumentano con la progressione della malattia e possono anche essere espressi prima della comparsa dei sintomi 14,24. Anzi, correlati alla malattia biomarker rete sono state caratterizzate per patologie neurodegenerative come il morbo di Parkinson 10 (PD), la malattia di Huntington 25 (HD) e malattia di Alzheimer 8 12,13,26.
Al contrario, i metodi univariati voxel-based fMRI tipici valutare la significatività delle differenze tra pazienti e controlli in ammassi cerebrali isolate. Più recentemente, sono stati sviluppati metodi per misurare connettività funzionale tra le regioni del cervello variamente definiti 27-29. Questa definizione di connettività funzionale è limitato a soggetto e regione interazioni e devia specifici dal concetto originale SSM / PCA che si riferisce alla interconnettività sezione trasversale di intrinseche spazialmente distribuiti cerebrali aree di rete 1,2,23,30. A loro vantaggio, piattaforme MRI unre facilmente installato, ampiamente disponibile, non invasivo e in genere richiedono tempi di scansione più breve di modalità di imaging radiotracciante tradizionali come il PET o SPECT con un conseguente aumento di potenziali metodologie descritte nella letteratura recente. Tuttavia, i segnali fMRI tempo-dipendenti risultanti forniscono misure indirette di attività neurale locale 31,32. Gli algoritmi analitici generalmente complessi impiegati sono stati limitati dalle grandi dimensioni di set di dati, il rumore fisiologico insito nei segnali fMRI, così come l'elevata variabilità dell'attività del cervello che esiste tra temi e regioni 19,23. Anche se le informazioni interessanti per quanto riguarda l'organizzazione del cervello può essere dedotta dalle proprietà delle "reti" fMRI, non sono stati sufficientemente stabile per essere utilizzato come biomarker di malattia affidabili. Inoltre, le topografie risultanti rete non sono necessariamente equivalenti a quelli individuati utilizzando metodologie di imaging funzionale affermati come SSM / PCA. Per The la maggior parte, rigorosa convalida incrociata delle topografie risultanti fMRI è stata carente, con alcuni esempi di applicazione di successo avanti di modelli derivati nei dati di scansione prospettici da casi singoli.
Un vantaggio di covarianza analisi PCA consiste nella sua capacità di identificare le principali fonti di variazione dati nei primi componenti principali ma è inefficace se gli autovettori rappresentano importanti fattori di disturbo casuale anziché risposta effettiva rete intrinseca. Selezionando solo le prime autovettori e limitando a quelli che mostrano differenze significative nei punteggi di controllo dei pazienti contro il normale, abbiamo notevolmente ridurre l'influenza di elementi di disturbo. Tuttavia, per l'approccio di base qui descritto, tali misure possono non essere sufficienti a generare stimatori robusti in un tipico insieme di dati fMRI ad eccezione delle modalità descritte di seguito.
Così, a causa della relazione diretta stabile di g regionalelucose metabolismo e l'attività sinaptica 33, questa metodologia è stata applicata principalmente per l'analisi dei dati dello stato FDG PET riposo. Tuttavia, dato che il flusso ematico cerebrale (CBF) è strettamente accoppiato ad attività metabolica in stato di riposo 10,11,34, SPECT 35,36 e più recentemente arteriosa spin labeling (ASL) metodi di imaging di perfusione MRI 37.38, sono stati utilizzati per valutare l'attività metabolica anomala nei singoli casi. Detto questo, la derivazione di affidabili modelli di covarianza spaziale con fMRI stato di riposo (rsfMRI) è come in precedenza non rilevato semplice 31,32. Anche così, SSM / PCA analisi preliminare dei dati rsfMRI da PD pazienti e soggetti di controllo ha rivelato alcune omologie topografiche tra i modelli di relazione con la malattia identificati utilizzando le due modalità, PET e ampiezza delle oscillazioni a bassa frequenza (ALFF) di BOLD fMRI 39,40 . Infine, si segnala, inoltre, che questo approccio è stato applicato con successo in voxel base morfometria (VBM) dati MRI strutturali 41,42, rivelando particolari modelli di covarianza spaziale associati alla perdita di volume legata all'età e in ulteriori confronti di VBM e modelli ASL nelle stesse materie 43. Il rapporto tra SSM / PCA topografie di covarianza spaziale e le reti cerebrali analoghe identificate utilizzando diversi approcci analitici e piattaforme di imaging è un argomento di indagine in corso.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Raccolta dati e pre-elaborazione
- Il metodo di SSM / PCA può essere applicata a immagini di volume singole ottenuti da varie fonti e modalità. In particolare, per la on-site di imaging PET del metabolismo, preparare un adeguato tracciante radionuclide ad esempio [18 F]-fluorodeossiglucosio (FDG) e somministrare a ciascun paziente. I pazienti sono di solito sottoposti a scansione a riposo con gli occhi aperti, a seguito di un digiuno di almeno 12 ore, fuori farmaci.
- Scansione di ogni oggetto di valutazione individuale o di gruppo. Per il modello di derivazione, la scansione di un numero uguale di pazienti e controlli di genere e di pari età.
- Trasferimento di dati ad una stazione di lavoro e convertire in un formato appropriato per l'analisi in piattaforma. Il nostro PC basato su Windows software di analisi di MATLAB (scanvp, ssm_pca, www.feinsteinneuroscience.org ) richiede ANALIZZA o immagini in formato NIfTI (Mayo Clinic, Rochester, MN). Esso fornisce una conversione di routine to trasformata di GE Advance (Milwaukee, WI, USA) scanner e altre immagini in formato di analizzare formato.
- Normalizzare l'immagine di ogni soggetto ad uno spazio stereotassico comune (ad esempio Montreal Neurological Institute [MNI]) usando un pacchetto software standard di neuroimaging come la mappatura statistica parametrica (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ) in modo che vi sia uno-a-uno corrispondenza dei valori voxel tra soggetti (Figura 2). Mascherare di limitare l'analisi alle aree di sostanza grigia (Figura 3) e la trasformazione log sono descritte nei passi successivi.
2. Eseguire SSM multivariata / PCA
Operazioni per multivariata SSM / PCA (Figura 4) possono essere eseguite da un software esterno. I passi dettagliati seguito riflettono procedure svolte per lo più automaticamente dal nostro in-house routine (Figura 5) (scanvp / ssmpca, www.feinsteinneuroscience.org disponibile anche come SPM toolbox ssm_pca).
- Dati maschera utilizzando una immagine disponibile 0/1 da rimuovere aree non desiderate dello spazio voxel come sostanza bianca e ventricoli. Utilizzando la routine ssmpca, all'utente viene data la possibilità di selezionare il predefinito o altra maschera esterna (figura 3) o di avere il programma crea automaticamente una maschera rimuovendo valori inferiori a una percentuale fissa selezionata di dati massimo di ogni soggetto. Soggetti maschere individuali sono quindi moltiplicati per determinare una maschera composito. Le aree all'interno della maschera definiscono uno spazio comune voxel non-zero per l'analisi.
- Convertire mascherati immagini dati voxel 3D di ciascun soggetto ad una continua vettore riga aggiungendo linee di scansione sequenziale da aerei consecutivi (Figura 4a). Formare una matrice di dati gruppo (D) in modo che i dati di ogni soggetto corrisponde una specifica row della matrice. Ogni colonna rappresenta quindi un particolare voxel attraverso soggetti. Idealmente, per biomarker derivazione, la matrice sarà composta da un numero uguale di righe di dati soggetti normali di controllo e dati soggetti malattie.
- Trasforma ogni voce di dati a forma logaritmica.
- Centrare la matrice di dati sottraendo ogni media riga o soggetto significa dagli elementi di riga. La media di tutte le righe centrate rappresenta un gruppo caratteristico significa immagine di registro definito un profilo di media di gruppo (GMP, Figura 4a). Sottrarre i mezzi a colonna che sono gli elementi del GMP dai corrispondenti elementi a colonna della matrice. Ogni riga della doppia matrice centrata rappresenta un'immagine 'residuale' definito un profilo residuale soggetto (SRP) i cui elementi rappresentano deviazioni dalla sia il soggetto s e voxel V GRUPPO mezzi (figura 4b).
SRP sv = logd sv - significherebbe s - GMP v - Costruire il subject-by-soggetto matrice di covarianza C della doppia matrice composita dati centrato calcolando la covarianza non normalizzata tra ogni coppia soggetto i, j di SRP righe di matrice valutata come prodotto di corrispondenti elementi voxel cumulativamente su tutti voxel v (Figura 4b) .
C ij = Σ v (SRP iv x SRP jv) - Applicare PCA al soggetto-by-soggetto della matrice di covarianza C. I risultati saranno un insieme di soggetti punteggio autovettori con autovalori associati. Ponderare ciascun vettore moltiplicando per la radice quadrata della sua corrispondente autovalore. L'insieme di autovettori punteggio è rappresentato dalle colonne della matrice risultante S in Figura 4c.
- Autovettori voxel per lo stesso insieme di autovalori possono essere determinati applicando PCA alla colonna di matrice di covarianza colonna o da questa alternativa computazionalmente meno esigente procedure raffigurato in (Fig. 4c). Sinistra moltiplicare la matrice vettore punteggio precedentemente derivata dalla SRP matrice trasposta di ricavare una matrice P di autovettori modello voxel in ordine di autovalori (Figura 4c, Figura 6, Figura 7a) decrescente.
P = prezzo consigliato T x S
Ciascun vettore colonna rappresenta una componente principale (PC) modello immagine dell'analisi SSM / PCA attribuito ad una percentuale della varianza totale rappresentato (VAF) corrispondente alla dimensione relativa del suo autovalore.
3. Modello biomarcatori Derivazione
- Esaminare i risultati dell'analisi precedente per determinare i modelli di PC che sono associati con elevati valori VAF. All'interno la nostra routine, vettori modello voxel sono Z-trasformate in modo che i loro valori rappresentano deviazioni standard positivi e negativi della loro media. Vengono poi rimodellati in formato immagine prima di visualizzare (Figura 7a).
- I punteggi corrispondenti ad ogni modello di PC vengono visualizzati come grafici a barre e grafici a dispersione (Figura 7). Un ROC plot opzionale può essere generato (Figura 7d). Per identificare un modello specifico di malattia, notare la differenziazione dei soggetti punteggi tra pazienti e controlli riflesse dalle p-value dei corrispondenti su due campioni t-test e valori di AUC. Limitare l'analisi a quei pc associati ad un'elevata VAF ed elevata differenziazione per alcuni valori di taglio fissi (ad esempio, p <0,05 e VAF> 5%). In genere, solo uno o due PC soddisfano questo criterio per i dati PET.
- Ci sono variOus altri modi per la selezione del PC che possono essere considerati 44. Il grafico decrescente degli autovalori sequenziali (Figura 6) può dare un valore di cutoff tagliente rappresentato da una curva della curva e di una forte riduzione della pendenza della curva in cui autovalori cominciano a degenerare. Un altro approccio è quello di includere tutti i PC che rappresentano il top 50% della varianza. Una procedura ampiamente accettato è quello di calcolare l'informazione di Akaike (AIC) 45 per determinare quale combinazione di PC definire il modello con il valore più basso AIC in grado di distinguere tra pazienti e controlli.
- Il PC selezionato (s) può essere vettore normalizzato e linearmente combinati per produrre un unico modello di relazione con la malattia. Il nostro software utilizza facoltativamente la funzione glmfit MATLAB per determinare i coefficienti basati su modelli di regressione logistica o altro applicati a soggetti punteggi. Anche se la differenziazione dei pazienti e gruppi di controllo migliora di solito con gli altri PC considerati nel degruppo rivation, i modelli risultanti sono una rappresentazione composita che non può corrispondere a una singola rete fisica o può incorporare deviazioni outlier (figure 7a e 7c).
- E 'necessaria un'ulteriore convalida per l'affidabilità e potenziali significato. Ricampionamento bootstrap può essere eseguita come discusso sotto 8 per identificare i voxel più affidabili all'interno dell'insieme di dati originale derivazione associata alla deviazione standard nella ripetuta almeno derivazione pattern. Inoltra la convalida viene eseguita per verificare la sensibilità e la specificità della discriminazione gruppo indipendente derivando punteggi per i futuri gruppi di pazienti e controlli utilizzando il singolo soggetto metodo di valutazione punteggio (Figura 4d) descritto nel segmento successivo del protocollo.
4. Singolo soggetto Valutazione prospettica valutazione con un biomarcatore predeterminata
- Una volta che un significativo modello biomarcatore SSM-GISè stato identificato, un punteggio per la sua espressione in un soggetto prospettico può essere valutato da scansione quell'individuo utilizzando un semplice calcolo del prodotto vettoriale interna del soggetto SRP vettoriale e il modello vettoriale GIS (Figura 4d, Figura 7d).
PUNTEGGIO = SRP • Motivo - L'operazione precedente è automatizzato dalla nostra routine di TPR. Tuttavia, per ricavare in modo indipendente il soggetto SRP vettore di utilizzare la maschera associata GIS intrinseca sui dati trasformati log e sottrarre sia il soggetto media ei corrispondenti valori voxel di riferimento prederived gruppo GMP come al punto 2.4. Ciò assicura che i punteggi possono essere paragonati al range di riferimento predeterminato. Punteggi per un nuovo gruppo possono essere valutati in modo simile come un insieme di potenziali punteggi singoli soggetti. Per uso con un gruppo di riferimento o di regolazione differente, GMP può essere ricalibrato mentre il modello è invariato.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Una semplice applicazione di analisi multivariata SSM / PCA per derivare un modello biomarcatore neuroimaging per PD di seguito è illustrato. PET FDG immagini di dieci clinicamente diagnosticati pazienti PD (6M/4F, 59y 7y ± sd) di durata variabile malato (9 anni ± 5A sd) e dieci età e sesso abbinati controlli normali (6M/4F, 58y 7y ± sd) sono stati analizzati utilizzando nostra routine ssmpca. I venti corrispondenti spazialmente immagini pre-normalizzati sono stati inizialmente selezionati nelle categorie malattia soggetti o controlli lungo con la maschera di default (Figura 3). L'output del programma i primi 16 principali file immagine dei componenti e un elenco di file di loro punteggi associati insieme ad un grafico decrescente degli autovalori sequenziali (Figura 6). Immagini PC sequenziali e bar associato e grafici a dispersione sono stati visualizzati sullo schermo per la revisione iniziale come illustrato nelle figure 7a e 7b. Si noti che il primo componente del PC rappresentavanoper il più grande VAF (24%) e suoi punteggi Oggetto associato discriminare significativamente i pazienti da controlli (p = 0,0002) basato su due campioni confronto t-test e caratteristiche ROC (AUC = 0.99, sensibilità = 0,93 per specificità = 0,95). Per questi motivi potrebbe essere considerato un biomarcatore per sé ed è infatti altamente spazialmente correlata con un PD biomarcatore precedentemente derivato PDRP 46,47 (R 2 = 84%, p <0,001), validato in numerose serie di dati prospettici 5. Il secondo modello (p = 0,81, AUC = 0.54) e il terzo modello (p = 0,38, AUC = 0.63) non discriminano in modo significativo e possono provenire da processi normali che non sono molto colpiti dalla malattia. Il quarto modello (VAF = 7%) discrimina in misura molto minore rispetto al primo PC (p = 0,13, AUC = 0.71) e può essere associato con fattori di malattia meno prominenti. Ulteriori PC sono stati ignorati a causa della diminuzione dei valori VAF (<7%) in combinazione con la discriminazione non significativa dei punteggi normali e paziente (p> 0,4).La degenerazione delle differenze autovalori è illustrato nella Figura 6.
Il primo e il quarto modelli erano vettore normalizzato e linearmente combinati utilizzando il nostro software per determinare i coefficienti associati (.78, .63) per ottimale del paziente / controllo punteggio discriminazione utilizzando un modello logistico discriminazione. I risultati GIS compositi a migliorare la discriminazione, come indicato dal valore di p (p = 10 -5, figura 7b) e un valore di AUC perfetto di 1,0 per il gruppo di derivazione. Il VAF composito (17,3%) associata a questo pattern viene valutato come somma delle singole vafs (24%, 7%) modificato dai quadrati dei coefficienti lineari. Si noti tuttavia che questo modello realizzato discriminazione superiore attribuendo un sproporzionatamente alto coefficiente (in confronto ai valori VAF) al meno significativo PC4. Discriminazione ancora più elevato nel gruppo di derivazione può essere realizzato tramite componenti aggiuntivi con la stessa prenotazione. In our caso vi era solo lieve miglioramento aggiungendo PC3 (p = 3x10 -6) (figura 7c) e nessun miglioramento includendo tutti quattro PC (p = 10 -5) a causa della capacità non-discriminante di PC2. Tutti i modelli combinati avevano caratteristiche perfette ROC (AUC = 1 e la sensibilità = 1, specificità = 1 per una bassa soglia di Z-score). Tuttavia, questi valori sono specifici per il gruppo di derivazione. La validità dei biomarcatori finali deve essere verificato nella valutazione prospettica interpretato qui per un gruppo indipendente di 22 pazienti (15M/7F, 57y ± 9 anni sd; malattia durata 10y 4y ± sd) e 22 controlli (4M/18F, 55y ± 15y sd) (Figura 7d). Sebbene significativamente maggiore differenziamento è stato raggiunto nel gruppo derivazione combinando più di un PC, lo stesso vantaggio relativa non è stata mantenuta nel gruppo di prova, sebbene tutti quattro combinazioni buone performance. Il primo PC dimostrato maggiore differenziazione medio nel dat prospettico gruppouna (p = 5x10 -8, AUC = 0.95) rispetto ai modelli combinati PC1_3_4 (p = 2x10 -7, AUC = 0.95) e PC1_2_3_4 (p = 6x10 -7, AUC = 0.92) attribuito alla sua innata validità. Un vantaggio secondario è stato ottenuto l'additivo PC1_4 (p = 3.2x10 -8, AUC = 0,96). Sebbene il valore prospettico AUC era leggermente superiore per PC1_4, la sensibilità per una specificità di 0,95 sembra diminuire con l'additivo PC da un valore di circa 0,8 per PC1 a 0.5 per PC1_2_3_4. Chiaramente più vasto campionamento fosse necessario per prevedere con maggiore precisione questi valori a giudicare dal crescente irregolarità della trama ROC. Inoltre, una maggiore precisione avrebbe potuto essere ottenuta utilizzando un gruppo di derivazione più grande come dimostrato in precedenti pubblicazioni. Tuttavia, è evidente da questi display che la stessa precisione discriminante raggiunto nel gruppo derivazione non sempre generalizzare valutazione gruppo indipendente, necessitando convalida prospettiva dei pattern derivazione.
Così, il nostro set di dati originali di 20 immagini soggetto è stato ridotto a un essenziale PC reticolo PC1 che ha eseguito bene come biomarcatore diagnostico di malattia in 44 potenziali soggetti.
Figura 1. Schema di SSM / PCA Strategia Modeling. Dati scanner normale e il paziente viene elaborato dagli algoritmi di SSM / PCA per ricavare un biomarcatore di neuroimaging e di punteggi di soggetti associati. La differenza media tra i punteggi dei pazienti e soggetti normali è significativo. Clicca qui per ingrandire la figura .
Figura 2. Pre-elaborazione e di mascheramento dei dati. Immagini scanner prime sono spazialmente normalizzati per mappare voxel di uno spazio stereotassico comune per tutti i soggetti e lisciate con un kernel Guasian. L'operazione di mascheramento rimuovere spazio ventricolare e rumore.
Figura 3. L'impostazione predefinita 0/1 grigio maschera questione è stata creata dalla trasformazione di 72 soggetti normali. I singoli dati spazialmente normalizzati sono stati thresholded al 38% del loro valore massimo per creare singole maschere che sono stati moltiplicati tra loro. La maschera moltiplicativo stato capovolto sinistra a destra attraverso l'origine e moltiplicato con l'originale per creare la maschera simmetrizzata finale.
Figura 4. Percorso del flusso di SSM / PCA Processing. A) formulazione vettore Oggetto della matrice dei dati. Entra trasformazione. Fila la centratura. Valutazione del vettore GMP. B) Colonna di centraggio. Derivazione di SRP. La costruzione della matrice di covarianza C. c) Principal Component Analysis. Derivazione di vettori punteggio per PC e modelli voxel. D) Prospective singolo soggetto calcolo del punteggio. Clicca qui per ingrandire la figura .
Figura 5. Software. Per eseguire SSM / PCA l'utente può selezionare l'opzione voxel SSM / PCA base dal menu ScAnVP, selezionare i file immagine dei pazienti e dei controlli normali, una maschera preferita e poi di processo. Trasformazione Log viene eseguita per impostazione predefinita. Dopo aver esaminato l'uscita e schermo trame visualizzati e immagini, l'utente può scegliere di combinare linearmente i PC selezionati utilizzando la regressione logistica o di altri modelli per creare un biomarker con maggiore paziente / normale discriminazione punteggio. Clicca qui per ingrandire la figura .
Figura 6. Scree Plot. Tale grafico decrescente degli autovalori sequenziali del soggetto non normalizzata dalla matrice di covarianza soggetto risultante dalla analisi SSM / PCA di 10 pazienti PD e 10 controlli normali. Preavvisoil forte calo degli autovalori dopo il primo PC. Differenze tra autovalori sono piccole dopo il 4 ° PC.
Figura 7 l'output del programma SSM / PCA a) In alto:.. Visualizzazione assiale (Z = 0) delle prime quattro immagini componenti principali (PC1 a 4). In basso: vista ortogonale attraverso origine (X, Y, Z = 0,0,0) di PC1 e PC combinati 1 e 4 (PC1_4) visualizzata sopra un'immagine di risonanza magnetica strutturale. I valori di PC voxel rappresentano deviazioni Z-score positivi e negativi relativi al voxel carico medio. Colori caldi indicano incrementi relativi a attività metabolica all'interno contributo del PC al prezzo consigliato complessiva mentre i colori freddi indicano relativi diminuisce metabolici. Per i PC che discriminano i pazienti dai controlli di queste deviazioni possono essere attributod per malattia. b) grafici a barre e grafici a dispersione del soggetto derivazione Z-score di PC1 e PC4. Solo la prima componente principale discrimina significativamente pazienti da controlli (p = 0,0002) mentre il quarto dimostra una tendenza (p = 0,13). La combinazione logistico lineare di PC1 e PC4 (coefficienti .78, .63) migliora la discriminazione (p = 0,00001). Il valore AUC ROC e la sensibilità di una specificità di 0,95 vengono indicati per ciascun modello. Il motivo combinato PC1_4 dimostra perfetta separazione ad una soglia di Z-score di 0,9 (AUC = 1). C) viste ortogonali di combinata PC1_3_4 e PC1_2_3_4 e grafici a barre soggetti corrispondenti per derivazione soggetto Z-score. Discriminazione aumentato (p = 3x10 -6 -5 e 10, rispettivamente) rispetto a quella di PC1 per entrambe queste diverse combinazioni. AUC caratteristiche indicate perfetta separazione in entrambi i casi (AUC = 1, 1 = sensibilità, specificità = 1). Vedi nota in leggenda 7a riguardozione della scala di colori. d) valutazione punteggio prospettico di modelli PC1, PC1_4, PC1_3_4 e PC1_2_3_4 su 22 controlli normali e 22 pazienti PD. A barre e grafici a dispersione trama così come la trama ROC per soggetto punteggi Z vengono visualizzati e valori di AUC, nonché la sensibilità ad una specificità di 0,95 è indicato .. I valori di AUC e la sensibilità sembrano diminuire per più di due componenti principali combinati, mentre valori di p tendono a diventare meno robusti. Un miglioramento significativo è stato notato per PC1_4 dell'AUC e p valori invalidanti la significativa differenza prevista nel campione di derivazione. Clicca qui per ingrandire la figura .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Il modello SSM / PCA originariamente presentato da Moeller et al. 4 è evoluta 1-3 in una tecnica semplice e robusto per l'analisi dei dati di neuroimaging. Tuttavia, ci sono stati ambiguità nell'applicazione di questa metodologia che abbiamo tentato di chiarire qui e in pubblicazioni precedenti 5-7,10. Alcuni di questi problemi sono stati affrontati nel testo, ma sono reemphasized qui per la loro importanza. Come specificato nell'introduzione, SSM / PCA è soprattutto efficace nel riposo statali FDG dati PET, ma ha avuto successo anche con altre tecniche di imaging unico volume e la scansione di piattaforme tra cui H 2 15O PET e 99mTc-ECD SPECT, così come la perfusione ASL e volumetrica VBM MRI. La sua applicazione di successo per le serie storiche rsfMRI richiede lo sviluppo futuro notevolmente migliorate tecniche 48.
La forza principale di SSM risiede nella sua capacità di identificarefonti di variazione dei dati e di suddividerle in componenti spazialmente ortogonali. Nella maggior parte degli studi, solo pochi componenti significative sono attribuibili a effetti della malattia, riducendo drasticamente il set di dati rilevanti. Per identificare i componenti specifici di malattia, abbiamo idealmente includiamo un ugual numero di soggetti con malattia di genere e soggetti sani di controllo di pari età in un gruppo combinato di analisi 2,5. In questa situazione, le deviazioni dai valori normali a causa della malattia sono generalmente di piccole dimensioni in termini assoluti e oscurati da fattori globali più grandi che non discriminano i pazienti dai controlli 2,5,6. PCA è un efficace strumento di analisi, quando la distribuzione dei dati è quasi Guassian 49. La procedura di SSM esegue trasformazione logaritmica che converte fondamentalmente i dati in un registro distribuzione normale 50 e separa i fattori moltiplicativi in termini additivi. Oggetto del successivo significa centraggio (riga significa sottrazione) è un passo necessario che elimina ogni sonformemente fattori di scala globale a partire dai dati di log. Questo implica che il soggetto preliminare normalizzazione media globale non ha alcun effetto in SSM anche se è generalmente un passo di preprocessing necessaria nelle procedure di analisi di neuroimaging. Analogamente, pre-normalizzazione con qualsiasi mezzo regionale ha alcun effetto.
Le immagini di registro centrati medi sono mediate su soggetti per generare l'immagine GMP che può essere considerata una immagine caratteristica invariante di coorti simili. La successiva colonna di centraggio più soggetti rimuove mezzi regionali (GMP) per la creazione di immagini soggette SRP residue. I vettori SRP vengono immessi nella analisi PCA per generare un insieme di modelli di PC ortogonali e di riferimento punteggi di gruppo per ogni PC. In futuro soggetto unico di valutazione punteggio, l'analisi di gruppo non è necessario; SRP del soggetto viene valutata dalla sottrazione della media soggetto e riferimento del gruppo GMP e il punteggio del soggetto viene quindi determinato come il prodotto interno scalare del vettore SRP eil prederived PC vettore modello. Questo punteggio solito cade nel range dei punteggi di riferimento a condizione che la nuova dati sono ottenuti in un modo simile come nella derivazione originale. In un ambiente diverso, il vettore PC potrebbe ancora essere un modello valido anche per un diverso imager modalità, ma per ottenere un punteggio interpretabile, una procedura di ricalibrazione deve essere eseguita per valutare nuovi punteggi di riferimento. La procedura di ricalibrazione non richiede analisi PCA ma è una semplice determinazione di punteggi singolo soggetto per una nuova coorte completa dei pazienti e controlli utilizzando il pattern predeterminato e una nuova determinata GMP.
Va notato che, anche se una modalità specifica può riflettere alcuni parametri fisiologici, derivato modelli SSM / PCA non possono essere interpretati come misure assolute di tali quantità. Innanzitutto, essi sono derivati dalla covarianza interregionale delle differenze voxel da valori medi. Queste differenze possono derivare da vari networkfunzioni e possono rappresentare gli effetti compositi. Quindi, il modello PCA è un costrutto matematico che può riflettere covarianza all'interno di una singola rete o processi più complessi. Con l'esecuzione di analisi di correlazione dei punteggi modello con misure cliniche di gravità della malattia o di normali misure psicosomatici, e anatomicamente l'individuazione delle aree modello molto ponderate, possiamo indirettamente interpretare il significato di questi modelli. Inoltre, i modelli di PC in composito sono costruiti come combinazioni lineari di PC con coefficienti ricavati utilizzando la regressione logistica, con criteri teorici informazione di Akaike o altro imposte ai corrispondenti valori del punteggio. Anche se questi possono risultare in una migliore discriminazione, possono includere componenti meno significative con coefficienti sproporzionatamente elevati. Così, topografie covarianza progettati per la diagnosi differenziale accurata delle condizioni clinicamente simili "look-a-like" ("biomarker diagnostici") possono essere composti di complesso fisio-chimicoAl processo, non necessariamente corrispondenti a reti fisiche facilmente interpretabili 13. Al contrario, altri modelli possono essere ottimale per catturare le caratteristiche topografiche della malattia manifestazioni specifiche, quali tremore parkinsoniano o disfunzione cognitiva 15,51,52, o per monitorare la progressione della malattia 7,16. L'obiettivo specifico della funzione di biomarcatore dovrebbe essere considerato nel fare una selezione finale.
E 'essenziale per convalidare un potenziale biomarcatore per valutare punteggi soggetti potenziali in coorti indipendenti 10. Preferibilmente, la convalida incrociata deve essere effettuato inizialmente nel campione derivazione per determinare l'affidabilità della topografia modello su una base voxel per voxel e per escludere potenziali effetti di valori anomali. A tal fine, le procedure di bootstrap 8,9 sono regolarmente applicate. Questo approccio richiede iterativo modello derivazione in derivazione ricampionate dati per identificare il v più robustaoxels, cioè quelli con la deviazione standard più basso di peso voxel. Con opzionalmente mascherando i dati originali per rimuovere voxel meno affidabili, discriminazione superiore può essere raggiunto per un modello ricavò che deve poi essere convalidato nei set di dati prospettici.
Come notato in precedenza, una volta che un biomarker SSM / PCA è stato stabilito che può essere applicato a singoli potenziali o dati di gruppo. Punteggi ottenuti possono essere utilizzati per monitorare lo stato di un paziente misurando progressione rete in dati di immagini longitudinali, o per valutare gli effetti del trattamento. Nei casi complessi di diagnosi indeterminato, insiemi di soggetti punteggi possono essere inseriti in un'analisi di regressione logistica (o in altri modelli della funzione discriminante) per distinguere tra diverse alternative 12,13. Questo approccio può essere di vitale importanza dato l'elevato tasso di errore diagnostico clinico in soggetti con malattia precoce e la prognosi diversa e il risultato del trattamento associati al diverso SOTTOSTg patologie. Come punto finale, SSM pattern-based di valutazione punteggio di gruppo può essere un valido strumento nelle sperimentazioni cliniche di terapie sperimentali per i disturbi cerebrali 15,53,54.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Dr. Eidelberg è elencato come co-inventore di due brevetti degli Stati Uniti per l'uso di marcatori di imaging per lo screening dei pazienti per la disfunzione del sistema nervoso (senza scopo di lucro). Non ci sono ulteriori rivelazioni.
Acknowledgments
Questo lavoro è stato sostenuto da Grant No. P50NS071675 (Morris K. Udall Centro di Eccellenza nella ricerca sulle malattie di Parkinson presso il Feinstein Institute for Medical Research) di DE presso l'Istituto nazionale dei disordini neurologici e colpo. Il contenuto è di esclusiva responsabilità degli autori e non rappresentano necessariamente il punto di vista ufficiale del National Institute of Neurological Disorder and Stroke o il National Institutes of Health. Lo sponsor non ha giocato un ruolo nel disegno dello studio, la raccolta, l'analisi e l'interpretazione dei dati, la scrittura del report o nella decisione di presentare la carta per la pubblicazione.
Materials
| Name | Company | Catalog Number | Comments |
| Image Acquisition | |||
| PET Scanner | GE Medical Systems | GE Advance | Any PET, PET/CT and PET/MRI Scanners from GE, Siemens and Philips |
| PC Workstations | Lenovo | Any | http://www.lenovo.com/us/en/ |
| Radiopharmaceuticals | |||
| [18F]-fluorodeoxyglucose | Feinstein Institute for Medical Research | Routine Production | Also distributed by Cardinal Health http://www.cardinal.com/ |
| Software | |||
| ScanVP | Feinstein Institute for Medical Research | Version 5.9.1, Version 6.2, To be released | www.feinsteinneuroscience.org |
| SPM | The UCL Institute of Neurology | spm99-spm8 | http://www.fil.ion.ucl.ac.uk/spm |
| Windows | Microsoft | Any | |
| Matlab | Mathworks | Matlab Version 7.0, 7.3 | http://www.mathworks.com/ |
| JMP | SAS | Version 5 | http://www.jmp.com/ |
References
- Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 11 (2), 121-135 (1991).
- Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
- Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988 (2010).
- Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 7 (5), 649-658 (1987).
- Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson's disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
- Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
- Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
- Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40 (4), 1503-1515 (2008).
- Efron, B., Tibshirani, R. An introduction to the bootstrap. , CRC Press, LLC. New York. (1994).
- Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson's disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
- Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson's disease and Huntington's disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
- Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
- Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
- Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson's disease. J. Neurosci. 30 (3), 1049-1056 (2010).
- Mure, H., Hirano, S., et al. Parkinson's disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
- Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
- Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
- Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer's disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
- McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
- Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
- McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 (3 Pt. 1), 143-157 (1996).
- Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
- Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
- Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson's disease. Brain. 130, 1834-1846 (2007).
- Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington's disease. Brain. 130, 2858-2867 (2007).
- Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
- Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
- Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
- Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
- Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and "functional connectivity". Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
- Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
- Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
- Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson's disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
- Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson's disease. J. Neurosci. 28 (16), 4201-4209 (2008).
- Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
- Eckert, T., Van Laere, K., et al. Quantification of Parkinson's disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
- Ma, Y., Huang, C., et al. Parkinson's disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
- Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson's disease. Brain. 134 (Pt. 3), 845-855 (2011).
- Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson's disease using resting state fMRI. 15th International congress of Parkinson's disease and movement disorders, , LB22 (2011).
- Peng, S., Wu, T., et al. A comparison study of Parkinson's disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, Suppl 1. 5610 (2012).
- Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
- Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
- Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
- Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2 (2007).
- Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
- Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
- Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson's disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
- Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
- Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , 2nd edition, Springer-Verlag. New York. (2002).
- Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
- Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
- Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
- Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson's disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
- Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).
