Der aktuelle Artikel beschreibt die Grundlagen der multivariaten Analyse und Kontraste es am häufigsten verwendeten Voxel-weise univariaten Analyse. Beide Arten der Analyse sind zu einem klinisch-neurowissenschaftliche Datensatz angelegt. Ergänzende Split-half-Simulationen zeigen, besser Replikation der multivariaten Ergebnisse in unabhängigen Datensätzen.
Multivariate Analyseverfahren für Neuroimaging Daten haben in letzter Zeit zunehmend Beachtung gefunden, da sie viele attraktive Features, die nicht einfach durch die am häufigsten gebrauchten univariate, Voxel-weise, Techniken realisiert werden können, haben<sup> 1,5,6,7,8,9</sup>. Multivariate Ansätze zu bewerten Korrelation / Kovarianz der Aktivierung über Hirnregionen, anstatt Verfahren auf ein Voxel-by-Voxel-Basis. So können die Ergebnisse besser als Signatur der neuronalen Netze ausgelegt werden. Univariate Ansätze, auf der anderen Seite kann nicht direkt auf die interregionale Korrelation im Gehirn. Multivariate Ansätze können auch in größeren statistische Ergebnis, wenn mit univariate Techniken, die gezwungen, sehr strengen Korrekturen für Voxel-weise multiple Vergleiche beschäftigen werden verglichen. Weitere, multivariate Techniken eignen sich auch viel besser, prospektive Anwendung der Ergebnisse aus der Analyse eines Datensatzes zu ganz neuen Datensätzen. Multivariate Techniken sind somit gut positioniert, um Informationen über mittlere Unterschiede und Zusammenhänge mit dem Verhalten, ähnlich wie univariate Ansätze, mit potenziell größeren statistische Power und bessere Reproduzierbarkeit Kontrollen vorgesehen. Im Gegensatz zu dieser Vorteile ist die hohe Hürde der Einreise in die Verwendung von multivariaten Methoden, verhindert weitere weit verbreitete Anwendung in der Gemeinde. Um die Neurowissenschaftler vertraut zu machen mit multivariaten Analyseverfahren, könnte einen ersten Überblick über das Feld derzeit eine verwirrende Vielfalt von Ansätzen, die, obwohl algorithmisch ähnlich, mit unterschiedlichen Schwerpunkten vorgestellt werden, die typischerweise von Menschen mit Mathematik Hintergründen. Wir glauben, dass multivariate Analyseverfahren haben genügend Potenzial, um eine bessere Verbreitung zu rechtfertigen. Forscher sollten in der Lage sein, sie in eine fundierte und leicht zugängliche Art und Weise beschäftigen. Der aktuelle Artikel ist ein Versuch einer didaktischen Einführung von multivariaten Verfahren für den Anfänger. Eine Einführung in die konzeptionellen ist mit einer sehr einfachen Anwendung eines diagnostischen Daten aus der Alzheimer-Krankheit Neuroimaging Initiative (ADNI), was deutlich zeigt, die überlegene Leistung der multivariaten Ansatz gesetzt gefolgt.
Wir hoffen, dass angesichts der Betrachter einen Eindruck von den Grundlagen der multivariaten Analyse, interessierte Zuschauer sind aufgefordert, Sie auf unserer Webseite. Ein paar Entscheidungen für Parameter in der multivariaten Analyse wurden das kann Gegenstand Debatte zu heftigen Diskussionen sein. Wir verschont die Diskussion dieser Fragen in diesem Artikel Ablenkung von den großen Themen zu vermeiden. Zuerst haben wir uns für die ersten 6 Hauptkomponenten unserer AD-bezogenen Kovarianz Muster zu konstruieren. Es gibt theoretische Gründe für diese Wahl, dass wir nicht zu diskutieren 4. Die besondere Auswahl von 6 Hauptkomponentenanalyse ist jedoch nicht entscheidend für unser Argument: Man kann im Bereich wählte 2 bis 20 PCs und immer noch überlegen Verallgemeinerung Leistung der multivariaten Marker in der Split-Sample-Simulationen. Die Ergebnisse sind ähnlich robust gegenüber der Wahl der Zahl von Patienten in Ableitung und Replikation Proben. Wir haben 20 Probanden in beiden Gruppen bei der Replikation Probe, aber das war rein mathematische Bequemlichkeit zur Beschleunigung der Berechnungen. Unsere Ergebnisse über die relativen Vorteile beider Techniken würde ähnlich halten, wenn die Anzahl der Patienten in der Ableitung Proben wurden erhöht.
Zweitens haben wir nur präsentiert die elementarsten Art von multivariaten Analyse. Erhebliche Komplikation mit Techniken aus der Machine-Learning Literatur, lineare und nicht-lineare Transformationen vor der PCA und verschiedene andere Falten entlehnt sind denkbar, dass könnte die Verallgemeinerung Leistung noch zu steigern. Der Einfachheit halber haben wir nicht auf diese Möglichkeiten in diesem Artikel angesprochen.
The authors have nothing to disclose.
Der Autor ist dankbar für NIH-Unterstützung:
NIH / NIBIB 5R01EB006204-03 Multivariate Ansätze zur bildgebenden Analyse
NIH / NIA 5R01AG026114-02 Frühe AD-Erkennung mit ASL-MRT und Kovarianzanalyse
ADNI: Imaging-Daten wurde von der Alzheimer-Krankheit Neuroimaging Initiative (ADNI) (NIH U01AG024904) zur Verfügung gestellt. Datensammlung und-Sharing für dieses Projekt wurde von der Alzheimer-Krankheit Neuroimaging Initiative (ADNI) (National Institutes of Health Grants U01 AG024904) finanziert. Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation,: ADNI wird durch das National Institute on Aging, National Institute of Biomedical Imaging and Bioengineering, und durch großzügige Spenden aus den folgenden finanziert Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson und Johnson, Eli Lilly and Co., Medpace, Inc., Merck & Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc , Inc., und Wyeth, sowie Non-Profit-Partner der Alzheimer-Gesellschaft und der Alzheimer-Drug Discovery Foundation, mit der Teilnahme von der US Food and Drug Administration. Beiträge des privaten Sektors zu ADNI werden von der Stiftung für das National Institutes of Health (erleichtert http://www.fnih.org ). Der Stipendiat Organisation ist die Northern California Institute for Research and Education, und die Studie wird von der Alzheimer-Krankheit Cooperative Study an der University of California, San Diego koordiniert. ADNI Daten werden vom Labor für Neuro Imaging an der University of California, Los Angeles verbreitet. Diese Arbeit wurde auch von NIH gewährt P30 AG010129, AG030514 K01 und die Dana Foundation unterstützt.