L'attuale articolo descrive le basi di analisi multivariata e contrasti al più comunemente utilizzati voxel-saggio di analisi univariata. Entrambi i tipi di analisi sono applicati a un clinico-neuroscienze set di dati. Supplementare split-half simulazioni mostrano una migliore replica dei risultati multivariata indipendente in insiemi di dati.
Tecniche di analisi multivariata dei dati di neuroimaging hanno recentemente ricevuto una crescente attenzione in quanto hanno molte caratteristiche interessanti che non possono essere facilmente realizzati dal più comunemente utilizzati univariata, voxel-saggio, le tecniche<sup> 1,5,6,7,8,9</sup>. Approcci multivariata valutare la correlazione / covarianza di attivazione tra le regioni del cervello, piuttosto che procedere a un voxel-by-voxel base. Così, i loro risultati possono essere più facilmente interpretato come una firma di reti neurali. Approcci univariata, d'altro canto, non può indirizzare direttamente correlazione interregionale nel cervello. Approcci multivariata può anche tradursi in una maggiore potenza statistica rispetto alle tecniche univariata, che sono costretti ad impiegare correzioni molto severe per confronti multipli voxel-saggio. Inoltre, le tecniche multivariate inoltre si prestano molto meglio l'applicazione prospettica dei risultati dall'analisi di una serie di dati di set di dati completamente nuovi. Tecniche multivariate sono quindi nella posizione migliore per fornire informazioni sulle differenze medie e correlazioni con il comportamento, in modo simile ad approcci univariata, con potenzialmente maggiore potenza statistica e controlli riproducibilità migliore. In contrasto con questi vantaggi è l'alta barriera di ingresso per l'utilizzo di approcci multivariati, impedendo l'applicazione più diffusa nella comunità. Per il neuroscienziato familiarizzare con tecniche di analisi multivariata, una prima ricognizione del campo potrebbe presentare una sconcertante varietà di approcci che, sebbene algoritmicamente simili, sono presentati con accentuazioni diverse, in genere persone con background matematica. Noi crediamo che le tecniche di analisi multivariata hanno un potenziale sufficiente a giustificare una migliore diffusione. I ricercatori dovrebbero essere in grado di impiegarli in modo informato e accessibile. L'attuale articolo è un tentativo di introduzione didattica di tecniche multivariate per il debuttante. Una introduzione concettuale è seguita con una domanda molto semplice a un set di dati diagnostici da Alzheimer s Disease Neuroimaging Initiative (ADNI), dimostrando chiaramente le prestazioni superiori di un approccio multivariato.
Speriamo di aver dato allo spettatore un sapore delle basi di analisi multivariata; spettatori interessati sono invitati a controllare il nostro sito web. A poche scelte per i parametri per l'analisi multivariata sono stati fatti che possono essere oggetto di dibattito dibattito considerevole. Non sono stati risparmiati la discussione di questi temi in questo articolo per evitare distrazioni dalle questioni più importanti. In primo luogo, abbiamo scelto i primi 6 componenti principali per costruire il nostro modello AD-correlati covarianza. Ci sono ragioni teoriche per questa scelta che non abbiamo discusso 4. La scelta particolare di 6 componenti principali anche se non è critico per il nostro argomento: si può scelto nella variare da 2 a 20 PC e ancora ottenere prestazioni superiori generalizzazione del marcatore multivariata in split-campione simulazioni. I risultati sono altrettanto robusto rispetto alla scelta del numero di soggetti in derivazione e campioni di replica. Abbiamo scelto 20 soggetti di entrambi i gruppi nel campione di replica, ma questa era puramente per comodità matematica per velocizzare i calcoli. I nostri risultati sui meriti relativi di entrambe le tecniche ostacolare in modo simile se i numeri dei soggetti in campioni di derivazione sono state aumentate.
In secondo luogo, abbiamo solo presentato il tipo più basilare di analisi multivariata. Complicazione notevole con tecniche prese in prestito dalla Macchina-Learning letteratura, trasformazioni lineari e non lineari prima del PCA, e vari altri rughe sono fattibili che possano aumentare le prestazioni generalizzazione ancora di più. Per semplicità non abbiamo toccato queste possibilità in questo articolo.
The authors have nothing to disclose.
L'autore è grato per il supporto NIH sovvenzione:
NIH / NIBIB 5R01EB006204-03 approcci all'analisi multivariata neuroimaging
NIH / NIA rilevamento 5R01AG026114 AD-02 ASL precoce con la risonanza magnetica e analisi di covarianza
ADNI: dati Imaging è stato fornito dal Alzheimer Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904). La raccolta dei dati e la condivisione di questo progetto è stato finanziato dalla iniziativa di Alzheimer Disease Neuroimaging (ADNI) (National Institutes of Health di Grant U01 AG024904). ADNI è finanziato dal National Institute on Aging, l'Istituto Nazionale di Biomedical Imaging e Bioingegneria, e da contributi generosi tra le seguenti: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Development Clinica, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson & Johnson, Eli Lilly and Co., Medpace, Inc., Merck & Co., Inc., Novartis, Pfizer Inc, F. Hoffmann-La Roche, Schering-Plough, Synarc , Inc., e Wyeth, così come non-profit partner Associazione Alzheimer e il morbo di Alzheimer Drug Discovery Fondazione, con la partecipazione della US Food and Drug Administration. Contributi del settore privato a ADNI sono facilitate dalla Fondazione per il National Institutes of Health ( http://www.fnih.org ). L'organizzazione concessionario è il Northern California Institute per la ricerca e l'educazione e lo studio è coordinato da Studio Disease Cooperative di Alzheimer presso la University of California, San Diego. ADNI dati sono diffusi dal Laboratorio di Neuro Imaging presso la University of California, Los Angeles. Questa ricerca è stata sostenuta anche da sovvenzioni NIH AG010129 P30, K01 AG030514, e Dana Foundation.