Basics of Multivariate Analysis in Neuroimaging Data

Christian Georg Habeck

doi:10.3791/1988

JoVE Journal > Neuroscience

Please note that all translations are automatically generated. Click here for the English version.

Nörobilim

أساسيات التحليل متعدد المتغيرات في البيانات تصوير الأعصاب

Published: July 24, 2010

doi:

10.3791/1988

Christian Georg Habeck¹

¹Department of Neurology,Columbia University

Özet

المقالة الحالية توضح أساسيات التحليل المتعدد المتغيرات والتناقضات لتحليل فوكسل الحكيم أكثر استخداما حيد المتغير. يتم تطبيق كلا النوعين من التحليل لمجموعة من البيانات السريرية الأعصاب. التكميلية تقسيم نصف نماذج المحاكاة تبين تكرار أفضل النتائج في مجموعات البيانات متعدد المتغيرات المستقلة.

Abstract

وقد تلقى تقنيات تحليل متعدد المتغيرات لبيانات تصوير الأعصاب مؤخرا اهتماما متزايدا لأنها تحتوي على مزايا جذابة الكثيرة التي لا يمكن أن تتحقق بسهولة من قبل أكثر استخداما حيد المتغير ، فوكسل الحكيم ، وتقنيات<sup> 1،5،6،7،8،9</sup>. نهج متعدد المتغيرات تقييم العلاقة / التغاير التنشيط عبر مناطق الدماغ ، بدلا من المضي على أساس فوكسل تلو فوكسل. وبالتالي ، يمكن بسهولة أكبر نتائجها يفسر وجود توقيع من الشبكات العصبية. النهج أحادي المتغير ، من ناحية أخرى ، لا يمكن معالجة علاقة مباشرة بين الأقاليم في الدماغ. ويمكن للنهج متعدد المتغيرات يؤدي أيضا إلى مزيد من القوة الإحصائية بالمقارنة مع تقنيات حيد المتغير ، والتي اضطرت لتوظيف تصويبات صارمة للغاية لفوكسل الحكيم مقارنات متعددة. مزيد من تقنيات متعددة المتغيرات أيضا تقديم أنفسهم أفضل بكثير لتطبيق النتائج المرتقبة من تحليل واحد لمجموعة البيانات بيانات جديدة تماما. وبالتالي تقنيات متعدد المتغيرات في وضع جيد لتوفير معلومات حول الاختلافات يعني والعلاقات المتبادلة مع السلوك ، على غرار النهج أحادي المتغير ، مع إمكانية زيادة القدرة الإحصائية والشيكات أفضل استنساخ. على النقيض من هذه المزايا هي ارتفاع الحاجز للدخول إلى استخدام نهج متعدد المتغيرات ، ومنع تطبيق أكثر انتشارا في المجتمع. إلى أن تصبح الأعصاب دراية تقنيات التحليل متعدد المتغيرات ، يمكن أن المسح الأولي من الحقل الحالي مجموعة متنوعة مذهلة من الأساليب التي ، على الرغم من حسابيا مماثلة ، تعرض مع تأكيدات مختلفة ، وعادة من قبل الناس من ذوي الخلفيات الرياضيات. نحن نؤمن بأن تقنيات تحليل متعدد المتغيرات إمكانات كافية لتبرير نشر أفضل. يجب على الباحثين أن تكون قادرة على توظيفها بطريقة واعية ويمكن الوصول إليها. المقالة الحالية هو محاولة في إدخال أساليب تعليمية متعددة المتغيرات للمبتدئ. ويتبع مقدمة مفاهيمية مع تطبيق بسيط جدا لمجموعة من البيانات التشخيصية لداء الزهايمر مبادرة تصوير الأعصاب (ADNI) ، مما يدل بوضوح الأداء المتفوق لنهج متعدد المتغيرات.

Protocol

لإعطاء نظرة عامة المفاهيمي للتحليل متعدد المتغيرات يمكننا أن صورة الوضع بسيط جدا : تم قياس بيانات افتراضية لمجموعة 50 مشاركا الإنسان ، حيث لا يوجد سوى ثلاث مناطق ، كما تدل voxels (بكسل = 3 الأبعاد في الشكل 1) في الدماغ. (الشكل 1 أدخل هنا ، كما يقول التعليق الصوتي عبر). الهدف العام من التحليل متعدد المتغيرات في تحديد المصادر الرئيسية للتباين في البيانات ، ومن ثم تصف آثار كبيرة من الاهتمام في البيانات من حيث هذه المصادر من التباين. ويبين الشكل 2 مثالا في التبسيط. (الشكل 2 أدخل هنا ، كما يقول التعليق الصوتي عبر). نحن نطبق الآن تحليل المتغيرات المتعددة وحيد المتغير على حد سواء لمجموعة البيانات السريرية. أخرجنا FDG – PET بفحص الراحة لمدة 95 مرضى الزهايمر في وقت مبكر و 102 العمر مطابقة الضوابط من موقع من مرض الزهايمر مبادرة تصوير الأعصاب (http://www.loni.ucla.edu/ADNI/). اخترنا عشوائيا بفحص 20 من المرضى على حد سواء والضوابط وسمتهم واشتقاق عينة لدينا. النسبة الباقية وهي 75 و 82 بالاشعة ، على التوالي ، تشكل عينتنا تكرارها. وحيد المتغير والمتعدد مرض الزهايمر (ميلادي) الآن علامات تتأتى في العينة الاشتقاق ، ومدى فعاليتها في التشخيص اختبار العينة تكرارها. للعلامة حيد المتغير ، ونحن على النقيض من التفحص 20 ميلادي مع الضوابط بفحص 20 عينة في الاشتقاق واختيار الموقع الذي يظهر الدماغ أكبر انخفاض في إشارة PET في المرضى الذين يعانون م كما هو مبين من خلال اختبار – T. لاختبار نجاعة التشخيص لهذه المنطقة ، ونحن تحقق من البيانات في نموذج المتماثل في هذا المكان والحبكة اشارة PET بوصفها وظيفة من حالة المرض. للعلامة متعدد المتغيرات ، ونحن لأول مرة تنفيذ اتفاقية الشراكة والتعاون على الجمع بين بفحص 40 عينة في الاشتقاق ، ومن ثم بناء نمط التباين من أول 5 مكونات الرئيسية التي تخضع عامل التحجيم يظهر الفرق بين الحد الأقصى يعني المرضى والاصحاء ميلادي. (يمكن الاطلاع على التفاصيل في هذه الأوراق ممثل 2) ثم يتم الحصول على تشخيص نمط التباين شكل اشتقاق نموذج مستقبلي لتطبيق نموذج التكرار. يتم رسم موضوع التحجيم العوامل الناتجة بوصفها وظيفة من حالة المرض. لتوفير مزيد من العام مقارنة النهج المتعدد وحيد المتغير كلا من الخطوة 4 و 5 ، ونحن إجراء "تقسيم العينة" محاكاة وتكرار الخطوتين 1000 مرات على الوصله البيانات ، في كل مرة تشكيل عينة 20/20 و 75/82 الاشتقاق a تكرار ميلادي المرضى والأصحاء من جديد الضوابط. تحسب علامات المرض وحيد المتغير متعدد المتغيرات من العينة الاشتقاق وتعيين عتبة اتخاذ مثل هذا القرار الذي أساء تصنيف أكثر من 1 مراقبة صحية وميلادي (= خصوصية 95 ٪). ثم يتم علامات المرض مع عتباتها قرار محدد يطبق بأثر رجعي على عينات من تكرارها. وتسجل معدلات الخطأ في العينة تصنيف النسخ لجميع التكرارات اختزال. ممثل النتائج ويمكن أداء حيد المتغير أن ينظر إلى النتائج بالتفصيل في الشكل 3. تم العثور على مساحة أكبر عجز FDG ميلادي ذات الصلة في التلفيف الصدغي عظمى ، Brodmann منطقة 38. كانت المنطقة تحت منحنى ROC يتحقق اوك = 0.90. تم تعميم هذا النموذج على النقيض من تكرار جيدة جدا مع منطقة تحت منحنى ROC = 0.84 AUC. ويمكن أن ينظر إلى الأداء متعدد المتغيرات والنتائج بالتفصيل في الشكل 4. تم العثور على المناطق ذات شحنات إيجابية ، ملمحا في الحفاظ النسبي للإشارة في مواجهة المرض في المخيخ ، في حين تم العثور المرتبطة فقدان إشارة المناطق جداري صدغي وأمامي ، والتلفيف الحزامي الخلفي. وكانت المناطق الواقعة تحت المنحنيات ROC ، سواء في الاشتقاق وعينات تكرار أفضل قليلا من علامة حيد المتغير في 0.96 و 0.88 على التوالي. يمكن تقسيم عينة المحاكاة أن ينظر إلى النتائج بالتفصيل في الشكل 5. هذا الرقم يدل على ان يعطي أفضل علامة متعدد المتغيرات تكرار الأداء التشخيصي من علامة حيد المتغير. متوسط معدل الخطأ الكلي للعلامة متعدد المتغيرات هو 0.203 ، في حين أن للعلامة حيد المتغير هو 0.307. . الشكل 1 وهذا الرقم بسيطة توضح الفرق بين الاستراتيجيات التحليلية حيد المتغير والمتغيرات المتعددة : يتم عرض مجموعة البيانات الافتراضية 3 الأبعاد في هذا التوضيح. على الجانب الأيسر ، ليست هناك علاقة بين المتغيرات 3 المرسومة. على الجانب الأيمن في المقابل ، يمكن للمرء أن يرى مصدرا رئيسيا التباين يدل على العلاقة الإيجابية بين جميع voxels الثلاثة. ويمكن لتحليل أحادي المتغير التي تعتبر مجرد يعني القيم على أساس فوكسل تلو فوكسل لا تخبر أي فرق بين هذين التصورين. تحليل متعدد المتغيرات ، في المقابل ، يحدد المصادر الرئيسية للفاريانم في البيانات (السهم الأحمر) قبل الشروع في بناء أنماط التنشيط العصبي تشكيل هذه المصادر. الشكل 2. هذه الشريحة يظهر في شكل مبسط لإنجاز الأساسية في أي تحليل المتغيرات المتعددة في تصوير الأعصاب البيانات. غير متحللة الصفيف Y البيانات (ق ، س) ، الذي يعتمد على فهرس الموضوع ثانية ، ومؤشر فوكسل س ، مما يدل على مكان فوكسل في الدماغ ، الى مبلغ من العديد من الشروط. الأول ، وهو منتج من درجة عامل بحتة تخضع تعتمد ، SSF (ق) ، ونمط التباين بحتة تعتمد على فوكسل ، والخامس (خ). يتم التقاط الثانية ، وتفعيل لا يمكن استأثرت به في نمط التباين في المدى موضوع الضجيج والتي تعتمد على فوكسل ، ه (ق ، س). الرسومات جهازي أدناه المعادلة تعطي مثالا للعامل التحجيم الموضوع ونمط التباين. كل مشارك يظهر نمط التباين ، لمجرد اختلاف درجة كما يتضح من النتيجة عامل الموضوع. بدلا من الاضطرار إلى تتبع سلوك كل فوكسل بشكل منفصل ، ونمط التباين والتعبير موضوعه تقديم موجز بالبخل من مصدر رئيسي للتباين. كما يزيد عامل التحجيم الموضوع في حجمه والمناطق يرمز باللون الأزرق في نمط التباين انخفاض التنشيط المرتبطة بها ، في حين أن المجالات المشار إليها باللون الأحمر في وقت واحد زيادة تفعيل المرتبطة بها. يمكن ربط النتيجة عامل الموضوع مع المتغيرات الخارجية التي تهم مثل العمر الموضوع أو الأداء السلوكي المعرفي في مهمة ، وليس تصحيحا للمقارنات متعددة يجب أن تطبق على هذا الارتباط. أساليب عدة للتحلل من هذا القبيل ، ولكن الأكثر شيوعا هو تحليل المكونات الرئيسية (PCA). هذا هو الأسلوب المفضل لدينا. علما أنه يمكن الحصول على عوامل القياس الموضوع من خلال إبراز نمط التباين في أي مجموعة من البيانات أبعاد متساوية ، وليس مجرد مجموعة من البيانات التي أنتجت نمط التباين في المقام الأول. هذا التباين يجعل أنماط مناسبة لاختبار ما إذا كان يمكن تكرارها الدماغ العلاقات السلوكية التي لوحظت في مجموعة بيانات واحدة في مجموعة بيانات مختلفة. الشكل 3 ، وهذا الرقم يدل على نتيجة التحليل أحادي المتغير. في لوحة أسفل اليسار ، يتم رسم قيم إشارة FDG للمنطقة التي تظهر أكبر ميلادي المرتبطة العجز في العينة الاشتقاق. الإحداثيات هي في MNI X = 2 ملم ، Y = -48 ملم ، Z = 30mm (Precuneus / PCG ، Brodmann منطقة 31). لوحة اليمنى السفلى ويبين FDG إشارة في هذا الموقع جدا في العينة تكرارها. يمكن للمرء أن نقدر أن يتم تقليل الخلافات بين المرضى FDG ميلادي والضوابط في العينة النسخ ، في حين لا تزال كبيرة بشكل عام ، مع مزيد من التداخل بين الجماعات. الشكل 4 ، وهذا الرقم يدل على نتائج التحليل متعدد المتغيرات. في لوحة أعلى ، نقوم بعرض شرائح المحورية التي تظهر عدة مناطق كبيرة المرجحة سلبا وإيجابا (P <0.001) في نمط التباين في حمراء وزرقاء ، على التوالي. علما بأننا تحجيم كل فحص من قبل قيمته المتوسط العالمي ، حتى اللون الأحمر والأزرق تشير الزيادات النسبية والمطلقة بدلا من إشارة والنقصان PET مع شدة المرض. المناطق الحمراء في تلميح وبالتالي الحفاظ النسبي في مواجهة المرض ، بينما الأزرق يشير إلى فقدان إشارة نتيجة لهذا المرض. وتوجد أساسا في المناطق الحمراء في المخيخ ، بينما تظهر في المناطق الزرقاء التلفيف الحزامي الخلفي ، وجداري صدغي المناطق الأمامية. اللوحة اليسرى السفلى : يتم عرض عشرات عامل موضوع نمط التباين ميلادي ذات الصلة في العينة الاشتقاق. تم العثور على أعلى الدرجات تخضع للمرضى م. اللوحة اليمنى السفلى : يتم رسم عشرات عامل موضوع الناتجة عن التطبيق المستقبلي للنمط التباين AD – المتصلة عينة تكرار هنا. يمكن للمرء أن نقدر طفيف تفاقم التباين التشخيص مع زيادة التداخل في العينة تكرارها ، ولكن التعميم في نجاعة التشخيص هو أفضل بشكل ملحوظ عما كانت عليه في حالة حيد المتغير. الشكل 5 ، وهذا الرقم يدل على نتائج المحاكاة تقسيم العينة 1000. المذكورة هي الوسائل والانحرافات المعيارية لمعدلات خطأ التشخيص وحيد المتغير متعدد المتغيرات في العينات تكرارها. يمكن للمرء أن يدرك أن التعميم علامة متعدد المتغيرات لأداء أفضل بكثير ، على الرغم من بعض الشيء أكثر من متغير وحيد المتغير علامة.

Discussion

ونحن نأمل في الحصول على منح المشاهد نكهة أساسيات التحليل متعدد المتغيرات ، ويتم تشجيع المشاهدين المهتمين للتحقق من موقعنا. وأدلى عدد قليل من الخيارات لمعلمات في التحليل متعدد المتغيرات التي يمكن أن تخضع لنقاش جدلا كبيرا. يشفع لنا مناقشة هذه القضايا في هذه المقالة لتجنب تشتيت الانتباه عن القضايا الكبرى. أولا ، اخترنا أول 6 مكونات رئيسية لبناء نمط لدينا التغاير ميلادي ذات الصلة. هناك أسباب هذا الاختيار النظري لأننا لم يناقش ^4. اختيار معين من 6 مكونات رئيسية هي ليست حرجة على الرغم من وجهة نظرنا : يمكن للمرء أن يختار في حدود 2-20 أجهزة الكمبيوتر الشخصية والحصول على ما زالت متفوقة الأداء تعميم علامة المتعدد في المحاكاة تقسيم العينة. كانت النتائج قوية بالمثل فيما يتعلق باختيار عدد من المواضيع في الاشتقاق وعينات تكرارها. اخترنا 20 شخصا لكلتا المجموعتين في العينة التكرار ، ولكن هذا كان فقط لراحة الرياضية لتسريع العمليات الحسابية. ونتائجنا حول المزايا النسبية لكل من تقنيات إجراء مماثل إذا تمت زيادة عدد المواضيع في عينات الاشتقاق.

ثانيا ، قدمنا فقط النوع الأكثر الأساسية للتحليل متعدد المتغيرات. مضاعفات كبيرة مع تقنيات مستعارة من الأدب آلة للتعلم ، والتحولات الخطية وغير الخطية المسبقة لاتفاقية الشراكة والتعاون ، والتجاعيد المختلفة الأخرى قابلة للتنفيذ التي يمكن أن ترفع الأداء التعميم حتى أكثر من ذلك. البساطة لأننا لم نلمس على هذه الاحتمالات في هذه المقالة.

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

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.