أساسيات التحليل متعدد المتغيرات في البيانات تصوير الأعصاب
Summary
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
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.
Disclosures
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.
References
- Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).
- Scarmeas, N. Covariance PET patterns in early Alzheimer’s disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance. Neuroimage. 23 (1), 35-35 (2004).
- Siedlecki, K. L. Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data. J Int Neuropsychol Soc. 15 (6), 973-973 (2009).
- Burnham, K. P., Anderson, D. R. . Model selection and multimodel inference a practical information-theoretic approach. , (2002).
- Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).
- Habeck, C. Multivariate and univariate neuroimaging biomarkers of Alzheimer’s disease. Neuroimage. 40 (4), 1503-1503 (2008).
- Habeck, C. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1602 (2005).
- McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 Pt 1, 143-143 (1996).
- McIntosh, A. R., Lobaugh, N. J. Partial least squares analysis of neuroimaging data: applications and advances. Neuroimage. 23, S250-S250 (2004).
