데이터 Neuroimaging에서 복수 변수 분석의 기초

요약

현재 문서는 변수 분석의 기초를 설명하고 더 일반적으로 사용되는 voxel - 현명한 univariate 분석에 대조를 이룹니다. 분석의 두 가지 유형이 임상 - 신경 과학 데이터 집합에 적용됩니다. 보충 분할 반 시뮬레이션은 독립적인 데이터 집합에 변수가 결과의 더 나은 복제를 보여줍니다.

초록

그들은 쉽게 더 일반적으로 사용되는 univariate, voxel - 현명한, 기술에 의해 실현되지 않을 수있는 매력적인 기능을 가지고 같은 neuroimaging 데이터에 대한 변수 분석 기술은 최근 증가하고 관심을받은

프로토콜

1. 단지 세 영역, 두뇌에 voxels (그림 1 = 3 차원 픽셀)로 표시된 50 인간의 참가자에 대해 설정된 가상 데이터가 측정되었습니다 다변수 분석의 개념적 개요를 제공하기 위해 우리는 매우 간단한 상황을 그림 수 있습니다. (그림 1 여기에 삽입을 통해 음성으로 캡션을 참조하시기 바랍니다.)
2. 다변수 분석의 일반적인 목적은 데이터 변동의 주요 소스를 식별하고 분산 이러한 소스의 측면에서 데이터에 대한 관심의 주요 효과를 설명하는 것입니다. 그림 2는 간단한 예제를 보여줍니다. (그림 2 여기에 삽입을 통해 음성으로 캡션을 참조하시기 바랍니다.)
3. 우리는 지금 임상 데이터 집합에 univariate 및 복수 변수 모두 분석을 적용할 수 있습니다. 우리는 알츠하이머 질병 Neuroimaging 사업 (http://www.loni.ucla.edu/ADNI/)의 웹사이트에서 95 초 알츠하이머 환자와 102 나이와 일치하는 컨트롤에 대한 FDG - PET 휴식 스캔을 다운로드했습니다. 우리는 무작위로 환자와 컨트롤 모두 20 스캔을 선택 및 유도 샘플로 지정. 남은 75​​ 82 스캔은 각각의 복제 샘플을 구성합니다. Univariate 및 복수 변수 알츠하이머 병 (AD)는 마커 이제 유도 샘플에서 유래하고, 그들의 진단 효율은 복제 예제에서 테스트한 것입니다.
4. univariate 마커의 경우, 우리는 반대로 20 컨트롤과 함께 20 AD 검사는 유도 샘플의 검사와 T - 테스트하여 그림과 같이 AD 환자에서 PET 신호에서 가장 큰 감소를 보여줍니다 뇌의 위치를​​ 선택합니다. 이 지역의 진단 효능을 테스트하기 위해, 우리는이 위치에 복제 샘플의 데이터를 확인하고 질병 상태의 함수로서 PET 신호를 플롯.
5. 복수 변수 마커에 대한, 우리는 먼저 주제 스케일링 팩터가 AD 환자와 건강한 컨트롤 사이에 최대한의 의미 차이를 보여주는 처음 5 교장 구성 요소에서 공분산 패턴을 구축 후 유도 샘플의 결합 40 검색에서 PCA를 수행합니다. (세부 사항은 이러한 대표적인 논문 ^2에서 찾을 수 있습니다.) 유도 샘플 양식 얻은 진단 공분산 패턴이 다음 prospectively 복제 예제에 적용됩니다. 그 결과 제목 스케일링 요소는 질병 상태의 함수로 꾸몄다 있습니다.
6. 4 단계와 5 univariate 및 복수 변수 두 가지 접근법보다 일반적인 비교를 제공하기 위해, 우리는 "분할 샘플"시뮬레이션을 수행하고 각 시간 20분의 20 유도 샘플을 형성하고 82분의 75, resampled 데이터를 두 단계를 1000 번 반복 AD 환자와 건강한 컨트롤을 새로이의 복제. Univariate 및 복수 변수 질병 마커 유도 예제에서 계산되고 결정 임계값은 대부분 1 건강 컨트롤 AD (= 특이성 95%)로 misclassified는 그러한 설정됩니다. 그들의 구체적인 결정 임계값과 질병 마커 다음 prospectively 복제 샘플에 적용됩니다. 복제 예제에서 분류 오류 요금은 모든 resampling 반복에 대한 기록됩니다.

대표 결과

Univariate 성능 결과는 그림 3에서 자세히 볼 수 있습니다. 가장 큰 AD 관련 FDG 적자의 영역은 슈퍼 시간적 이랑, Brodmann 영역 38 발견되었습니다. 달성 ROC 곡선 아래 -이 지역은 AUC가 = 0.90했다. 복제 샘플이 대조의 일반화는 AUC = 0.84의 ROC 곡선 아래의 면적은 꽤 좋았어요.

복수 변수 성능 결과는 그림 4에서 자세히 볼 수 있습니다. 관련된 신호 손실이 parietotemporal과 전두엽 영역과 후부 cingulate의 이랑을 발견하는 동안 질병의 얼굴에서 신호의 상대적인 보존 힌트를주는 긍정적인 loadings와 영역, 소뇌에서 발견되었습니다. 파생 및 복제 샘플 모두에서 ROC 곡선 아래 - 지역 각각 0.96과 0.88에 univariate 마커보다 약간 더 있었다.

분할 샘플 시뮬레이션 결과는 그림 5에서 자세히 볼 수 있습니다. 그림은 변수 마커가 univariate 마커 진단보다 더 나은 성능 복제를주는 것으로 나타났습니다. univariate 마커에 대한이 0.307 반면 복수 변수 마커에 대한 의미 총 오류율은 0.203이다.

. 그림 1이 간단한 그림은 univariate 및 복수 변수 분석 전략의 차이를 설명 가상 3 차원 데이터 집합이 그림에 표시됩니다. 왼쪽에서 역모를 3 개의 변수 사이에 상관 관계가 없습니다. 반대로 오른쪽에, 하나는 세 voxels 간의 긍정적인 상관 관계를 나타내는 분산의 주요 소스를 볼 수 있습니다. 단지 voxel별로 voxel 단위로 값을 의미로 간주되는 univariate 분석이 두 시나리오 간의 차이를 말할 수 없습니다. 복수 변수 분석, 반면에 베리안의 주요 소스를 식별신경 활성화 패턴을 구축하기 전에 데이터에 CE (빨간색 화살표)이 소스를 형성하고 있습니다.

그림 2.이 슬라이드는 단순화된 형태로 데이터를 neuroimaging에 다변수 분석의 기본적인 성취를 보여줍니다. 제목 색인의, 그리고 두뇌의 voxel의 위치를​​ 나타내는 인덱스 voxel X,에 따라 데이터를 배열 Y (S, X)는, 여러 조건의 합계로 분해됩니다. 첫째, 순전히 제목에 의존 요소 점수, ssf (들), 그리고 순전히 voxel에 의존 공분산 패턴의 제품, V (X). 공분산 패턴에 의해 설명할 수 없다 둘째, 정품 인증은 제목과 voxel 종속적인 소음 용어, 전자 (S, X)에 캡처됩니다. 방정식 아래 두 그래픽 주제 스케일링 계수와 공분산 패턴의 예제를 제공합니다. 모든 참가자는 같은 주제 요소 평가 점수에 의해 표시된 다른 정도의 공분산 패턴을 승객 명단. 오히려 별도로 모든 voxel의 행동을 추적할 필요가보다 공분산 패턴과 주제 표현 분산의 주요 소스의 지극히 검소한 요약을 제공합니다. 영역이 동시에 관련 인증을 증가 빨간색으로 표시하는 동안 크기에 따라 조절 인자의 증가로 공분산 패턴에 파란색으로 표시된 영역은 그들의 연관된 활성화를 감소. 제목 요소 점수는 대상 연령이나인지 행동 작업에 성능이 같은 관심의 외부 변수와 상관 및 다중 비교에 대한 보정이 상관 관계에 적용되어야 수 없습니다.

이러한 분해하는 몇 가지 기법이 존재하지만, 가장 일반적인 하나는 주요 구성 요소 분석 (PCA)입니다. 이것은 우리의 선택의 기술입니다. 제목 스케일링 요소가 처음에 공분산 패턴을 생산 단지 데이터 세트, 동등한 차원 일련의 모든 데이터에 공분산 패턴하지 예상하여 얻을 수 있습니다. 이것은 하나의 데이터 세트에서 관찰되었다 뇌 - 행동 관계가 다른 데이터 집합에 복제할 수 있는지 여부를 테스트하기 위해 공분산 패턴이 적합합니다.

그림 3.이 그림은 univariate 분석의 결과를 보여줍니다. 왼쪽 하단 패널에서 FDG 신호 값은 유도 샘플에서 가장 큰 AD 관련 적자를 보여주는 영역에 대한 꾸몄다 있습니다. 그 MNI 좌표가 X = 2mm 있으며, Y = -48 mm, Z = 30mm (Precuneus / PCG, Brodmann 영역 31). 오른쪽 아래 패널은 복제 샘플이 아주 위치에서 FDG 신호를 보여줍니다. 하나는 복제 예제에서는 AD 환자와 컨트롤 사이의 FDG 차이가 여전히 큰 반면 전반적으로, 그룹 간의 더 많은 중복과 함께 감소하는 감사하실 수 있습니다.

그림 4.이 그림은 다변수 분석의 결과를 보여줍니다. 상단 패널에서, 우리는 각각 빨간색과 파란색의 공분산 패턴에서 크게 긍정적 및 부정적 가중치 영역 (P <0.001)을 보여 여러 축 슬라이스를 표시합니다. 우리가 글로벌 평균 값에 의해 모든 검사를 축소합니다, 그래서 빨간색과 파란색은 질병 심각와 PET 신호의 오히려 상대와 절대 증가와 감소를 나타냅니다. 파란색이 질병의 결과로 신호 손실을 나타내며 빨간색 영역은 따라서, 질병의 얼굴에 상대 보전에 힌트. 파란색 영역은 후부 cingulate의 이랑, parietotemporal과 전두엽 영역에 표시하는 동안 빨간색 영역은 주로 소뇌에서 발견됩니다. 왼쪽 하단 패널 : AD - 관련 공분산 패턴의 제목 요소 점수는 유도 샘플에 표시됩니다. 높은 과목 점수는 AD 환자를 찾을 수 있습니다. 오른쪽 아래 패널 : 복제 예제 AD 관련 공분산 패턴의 미래의 응용 프로그램에서 발생하는 주제 요소 점수는 여기 꾸몄다 있습니다. 하나는 복제 샘플 증가 중복으로 진단 대비 악화 약간은 이해할 수 있지만, 진단 효능의 일반화는 univariate 케이스에 비해 눈에 띄게 좋다.

그림 5.이 그림은 1000 분할 샘플 시뮬레이션의 결과를 보여줍니다. 상장 의미와 복제 샘플에 univariate 및 복수 변수 진단 오류 속도의 표준 편차입니다. 하나는 성능 변수 마커의 일반화가 univariate 마커 것보다 비록 다소 많은 변수가 상당히 좋은 것을 감사합니다.

토론

우리는 관객에게 다변수 분석의 기본의 풍미를 준 희망, 관심있는 시청자는 우리의 웹사이트를 체크 아웃하는 것이 좋습니다. 다변수 분석에서 매개 변수에 대한 몇 가지 선택이 그 상당한 논쟁의 대상이 논쟁이 될 수 있었다. 우리는 주요 문제에 산만을 피하기 위해이 문서에서 이러한 문제의 토론을 보상 받았을거야. 첫째, 우리는 AD와 관련된 공분산 패턴을 구축하는 첫번째 6 교장 구성 요소를 선택했습니다. 우리가 ⁴ 안한것 바로이 선택에 대한 이론적 이유가 있습니다. 6 주요 구성 요소의 특정 선택하지만 우리의 인수에 대한 중요하지 않습니다 하나 2 20 PC에 범위에서 선택하고 여전히 분리 샘플 시뮬레이션의 변수 마커의 뛰어난 일반화 성능을 얻을 수 있습니다. 결과는 유도 및 복제 샘플에서 과목의 숫자의 선택과 관련하여 마찬가지로 강력한 있습니다. 우리는 복제 예제에서 두 그룹의 20 과목을 선택, 그러나 이것은 계산 속도를 수학의 편의를 위해 순수하게되었다. 파생 샘플에서 과목의 숫자가 증가한다면 두 기술의 상대적인 장점에 대한 결과는 마찬가지로 개최합니다.

둘째, 우리는 변수 분석의 가장 기본적인 종류를 발표했다. 기계 학습의 문학, 이전 PCA에 선형 및 비선형 변환 및 기타 다양한 주름에서 빌린 기술을 상당한 합병증이 더욱 일반화 성능을 향상 수 가능합니다. 단순을 위해이 문서에서 이러한 가능성을 생각해 본적도 없어.