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.
Многомерный анализ методов нейровизуализации данных в последнее время уделяется все больше внимания, поскольку они имеют много привлекательных черт, которые не могут быть легко реализованы наиболее часто используемые одномерные, воксела-мудрый, методы<sup> 1,5,6,7,8,9</sup>. Многомерный подходы оценки корреляции / ковариаций активации через отделы головного мозга, а не идет по воксела-на-воксела основе. Таким образом, их результаты могут быть легко интерпретированы как подпись нейронных сетей. Одномерные подходы, с другой стороны, не может напрямую обратиться межрегиональной корреляции в мозг. Многомерный подход может также привести к большей статистической мощности по сравнению с одномерными методами, которые вынуждены применять очень жесткие корректировки воксела стрелке множественных сравнений. Кроме того, многомерные методы также поддаются гораздо лучше перспективным применение результатов анализа одного набора данных к совершенно новым наборам данных. Многомерные методы, таким образом, хорошие возможности для предоставления информации о разности средних и корреляции с поведением, как и одномерные подходы, с потенциально большей статистической мощности и более эффективной системы сдержек воспроизводимости. В отличие от этих преимуществ является высокий барьер входа на использование многомерного подхода, не позволяя более широкое применение в обществе. Чтобы невролог ознакомления с многомерных методов анализа, первоначальный осмотр поля могут представлять огромное разнообразие подходов, которые, хотя и алгоритмически похожи, представлены с разными акцентами, как правило, люди с математикой фонов. Мы считаем, что многомерные методы анализа имеют достаточный потенциал, чтобы гарантировать более широкое распространение. Исследователи должны иметь возможность использовать их в информацию и доступной форме. Данная статья является попыткой введения дидактической многомерной методы для новичка. Концептуальных введения следуют с очень простое приложение для диагностических наборов данных от болезни Альцгеймера нейровизуализации с инициативой (ADNI), ясно демонстрируя превосходные характеристики многомерного подхода.
Мы надеемся, что данный зрителя аромат основами многомерного анализа, заинтересованы зрителям предлагается посетить веб-узел. Несколько вариантов для параметров в многомерном анализе было отмечено, что может быть предметом дискуссии на значительные споры. Мы избавлены от обсуждения этих вопросов в этой статье, чтобы не отвлекаться от главных проблем. Во-первых, мы выбрали первые 6 Основные компоненты для построения нашей эры связанных ковариационная модель. Существуют теоретические основания для такого выбора, что мы не обсуждали 4. Конкретный выбор из 6 основных компонентов, хотя это не является критическим для нашей аргументации: можно выбрать в диапазоне от 2 до 20 ПК и до сих пор получить превосходную производительность обобщение многомерной маркер в сплит-образец моделирования. Результаты так же надежной по отношению к выбору количества предметов в выводе и тиражирования образцов. Мы выбрали 20 пациентов в обеих группах в репликации образца, но это было чисто для математического удобства для ускорения вычислений. Наши результаты о сравнительных достоинствах обоих методов будет проводить аналогично, если количество предметов в выводе образцы были увеличены.
Во-вторых, мы только представили самые основные виды многомерного анализа. Значительное осложнение с методами заимствованные из машинного обучения литературе, линейных и нелинейных преобразований до СПС, и различные другие морщины возможно, что может повысить производительность обобщения еще больше. Для простоты мы не затронули эти возможности в этой статье.
The authors have nothing to disclose.
The author is grateful for NIH grant support:
NIH/NIBIB 5R01EB006204-03 Multivariate approaches to neuroimaging analysis
NIH/NIA 5R01AG026114-02 Early AD Detection with ASL MRI & Covariance Analysis
ADNI: Imaging data was provided by the Alzheimer’s Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904). Data collection and sharing for this project was funded by the Alzheimer’s Disease Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904). ADNI is funded by the National Institute on Aging, the National Institute of Biomedical Imaging and Bioengineering, and through generous contributions from the following: 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., and Wyeth, as well as non-profit partners the Alzheimer’s Association and Alzheimer’s Drug Discovery Foundation, with participation from the U.S. Food and Drug Administration. Private sector contributions to ADNI are facilitated by the Foundation for the National Institutes of Health(http://www.fnih.org). The grantee organization is the Northern California Institute for Research and Education, and the study is coordinated by the Alzheimer’s Disease Cooperative Study at the University of California, San Diego. ADNI data are disseminated by the Laboratory for Neuro Imaging at the University of California, Los Angeles. This research was also supported by NIH grants P30 AG010129, K01 AG030514, and the Dana Foundation.