تحديد الأمراض ذات الصلة أنماط التباين المشترك المكانية باستخدام بيانات تصوير الأعصاب
Summary
وقد استخدمت تقنيات متعدد المتغيرات بما في ذلك تحليل المكون الرئيسي (PCA) لتحديد أنماط بصمات التغير الإقليمي في صور الدماغ الوظيفية. وقد وضعنا خوارزمية لتحديد المؤشرات الحيوية شبكة استنساخه لتشخيص الاضطرابات العصبية، وتقييم تطور المرض، وتقييم موضوعي لآثار العلاج في المرضى من السكان.
Abstract
نموذج subprofile تحجيم (SSM) 1-4 هو خوارزمية متعدد المتغيرات القائمة على PCA أن يحدد المصادر الرئيسية للتباين في المريض ومراقبة مجموعة بيانات الصورة الدماغ بينما رفض مكونات أقل (الشكل 1). تطبيقها مباشرة على البيانات التغاير فوكسل تلو فوكسل من الصور تعدد الوسائط ثابت للدولة، وهو كامل مجموعة صورة المجموعة يمكن أن تخفض إلى بضعة أنماط التباين مستقلة خطيا كبيرا وعشرات موضوع المقابلة. كل نمط، ووصف مجموعة subprofile ثابتة (GIS)، هو المكون الرئيسي متعامد الذي يمثل شبكة توزيعها مكانيا من ظيفيا مناطق الدماغ مترابطة. تتم إزالة آثار العددية المتوسط العالمي الكبيرة التي يمكن أن تحجب المساهمات أصغر شبكة محددة من قبل تحويل لوغاريتمي المتأصلة ويعني توسيط البيانات 2،5،6. موضوعات التعبير عن كل من هذه الأنماط إلى درجة متغير يمثله النتيجة العددية البسيطة التي يمكن أن ترتبط مع كلين مستقلةواصف كال أو البسيخومتري 7،8. باستخدام تحليل الانحدار اللوجستي من عشرات الموضوع (أي القيم التعبير نمط)، يمكن اشتقاق معاملات خطي إلى الجمع بين مكونات رئيسية متعددة في أنماط التباين المكاني ذات الصلة مرض واحد، أي شبكات مركب مع تحسن التمييز من المرضى من الأشخاص الخاضعين للمراقبة صحية 5،6. عبر التحقق من صحة ضمن مجموعة الاشتقاق يمكن القيام بها باستخدام تقنيات اختزال التمهيد 9. يتم تأكيد التحقق من صحة إلى الأمام بسهولة عن طريق تقييم نقاط مباشرة من أنماط مشتقة في مجموعات البيانات المحتملين 10. بمجرد التحقق من صحة، وأنماط الأمراض ذات الصلة يمكن أن تستخدم لتسجيل المرضى الفردية فيما يتعلق عينة مرجعية ثابتة، وغالبا مجموعة من المواضيع الصحية التي تم استخدامها (مع مجموعة المرض) في الاشتقاق نمط الأصلي 11. هذه القيم موحدة يمكن بدوره أن تستخدم للمساعدة في التشخيص التفريقي 12،13 وتقييم المرضآثار التقدم والعلاج على مستوى الشبكة 7،14-16. نقدم مثالا لتطبيق هذه المنهجية إلى FDG PET بيانات من مرضى الشلل الرعاش والضوابط العادية باستخدام برنامجنا في المنزل لاستخلاص نمط التباين سمة العلامات البيولوجية للمرض.
Introduction
وقد درس الاضطرابات العصبية على نطاق واسع باستخدام التقنيات التي تعريب وتحديد شذوذ في استقلاب الدماغ وكذلك الأساليب غير استنتاجي أن دراسة التفاعلات الإقليمية 17. الاستراتيجيات التحليلية متعدد المتغيرات التي تعتمد على البيانات مثل تحليل المكون الرئيسي (PCA) 1،2،4،18 وتحليل عنصر المستقلة (ICA) 19،20، وكذلك التقنيات تحت إشراف مثل المربعات الجزئية الأقل (PLS) 21 والاتجاهات ترتيبي الكنسي variates تحليل (أورط / CVA) 22 يمكن أن تكشف عن أنماط مميزة أو "شبكات" من النشاط المترابطة. أساسيات الإجراءات متعدد المتغيرات، ولا سيما نموذج subprofile تحجيم (SSM) 1،2،4-6،18 وقد وصفت سابقا في إن الرب 3. وقد تم تطوير هذا النهج القائم على الشراكة والتعاون في الأصل لدراسة العلاقات التغاير وظيفية غير طبيعية بين مناطق الدماغ في حالة استقرار الصور مجلد واحد من تدفق الدم في الدماغ والتمثيل الغذائي ACQuired في حالة الراحة من طرائق مثل PET وSPECT الذي يحمل خصائص عالية إشارة إلى الضجيج. أنماط SSM بأمراض محددة هي المؤشرات الحيوية التصوير التي تعكس الاختلافات العامة في تضاريس الإقليمية في المرضى مقارنة مع 7،16 مواضيع عادية، وربما تعكس عملية شبكة واحدة أو استيعاب عدة وظائف غير طبيعية معقدة 23. وترتبط الأيضية التغاير شبكات الدماغ مع نمط القيم التعبير (عشرات الموضوع) يمكن أن تميز بين الجماعات العادي والمرض وتوفير التدابير القائمة على الشبكة التي ترتبط تقييمات السريرية من شدة المرض. عادة، زيادة درجات الموضوع لهذه الأنماط مع تطور المرض، وربما حتى قبل أن يعبر ظهور الأعراض 14،24. في الواقع، وقد اتسمت المؤشرات الحيوية المتعلقة بالشبكة المرض لعلاج الاضطرابات العصبية مثل مرض باركنسون 10 (PD)، مرض هنتنغتون 25 (HD)، ومرض الزهايمر 8 </سوب> (AD). الأهم من ذلك، كما تم تحديد تصاميم الأيض المرتبطة المرض لشاذة اضطرابات الحركة مثل الشلل الارتعاشي متعددة ضمور نظام (MSA) والشلل التدريجي فوق النووي (PSP). وقد استخدمت هذه الأنماط في الحفل عن التشخيص التفريقي للأفراد مع مشابهة سريريا متلازمات "نظرة على حد سواء" 12،13،26.
في المقابل، نموذجي طرق حيد المتغير القائم على فوكسل الرنين المغناطيسي الوظيفي تقييم أهمية الاختلافات بين المرضى والضوابط في مجموعات الدماغ معزولة. وفي الآونة الأخيرة، تم تطوير أساليب لقياس التوصيلية وظيفية بين مناطق الدماغ تعريف بتنوع 27-29. ويقتصر هذا التعريف للاتصال وظيفي لموضوع والمنطقة التفاعلات وينحرف محددة من SSM / PCA المفهوم الأصلي الذي يشير إلى الترابط مستعرضة من توزيعها مكانيا المناطق الجوهرية شبكة الدماغ 1،2،23،30. لصالحها، ومنصات التصوير بالرنين المغناطيسيإعادة تركيبها بسهولة، وهي متاحة على نطاق واسع، غير الغازية وعادة ما تتطلب أقصر وقت المسح من طرائق التصوير المشع التقليدية مثل PET أو SPECT مما أدى إلى تصاعد المنهجيات المحتملة وصفها في المؤلفات الحديثة. ومع ذلك، توفر الناتجة إشارات الرنين المغناطيسي الوظيفي التي تعتمد على الوقت التدابير غير المباشرة من النشاط العصبي المحلية 31،32. تم الخوارزميات التحليلية المعقدة عموما يعملون محدودة بسبب حجم كبير من مجموعات البيانات، والضجيج الفسيولوجية الكامنة في إشارات الرنين المغناطيسي الوظيفي، فضلا عن التباين الشديد في نشاط الدماغ التي تربط بين الموضوعات والمناطق 19،23. على الرغم من معلومات مثيرة للاهتمام بشأن تنظيم الدماغ ويمكن الاستدلال على ذلك من خصائص "الشبكات" الرنين المغناطيسي الوظيفي، فإنها لم تكن مستقرة بما فيه الكفاية لاستخدامها المؤشرات الحيوية المرض موثوق بها. وعلاوة على ذلك، وتصاميم شبكة الناتجة لا تساوي بالضرورة إلى تلك التي تم تحديدها باستخدام منهجيات التصوير وظيفية أنشئت مثل SSM / PCA. عن اله جزء الاكبر، وصرامة عبر المصادقة على تصاميم الرنين المغناطيسي الوظيفي مما أدى كان مفتقدا مع أمثلة قليلة من نجاح التطبيق إلى الأمام من أنماط مستمدة في بيانات المسح المحتملين من الحالات واحدة.
ميزة من تحليل التباين المشترك PCA يكمن في قدرتها على التعرف على أهم مصادر الاختلاف في البيانات القليلة الأولى المكونات الرئيسية لكنها غير فعالة إذا كانت المتجهات الذاتية بارزة تمثل عوامل الضجيج العشوائي بدلا من الاستجابة شبكة الجوهرية الفعلية. فقط من خلال تحديد المتجهات الذاتية القليلة الأولى، والتي تحد من تلك التي تظهر فروق ذات دلالة إحصائية في درجات السيطرة المريض مقابل العادية، ونحن يقلل كثيرا من تأثير العناصر الضوضاء. ومع ذلك، من أجل النهج الأساسي وصفها هنا، فإن هذه التدابير قد لا تكون كافية لتوليد المقدرات قوية في مجموعة بيانات الرنين المغناطيسي الوظيفي نموذجي مع استثناء من طرائق موضح أدناه.
وبالتالي، ونظرا للعلاقة مستقرة المباشر للز الإقليميةالأيض lucose والنشاط متشابك 33، وقد تم تطبيق هذه المنهجية أساسا لتحليل البيانات بقية الدولة PET FDG. ومع ذلك، نظرا لأن تدفق الدم الدماغي (البرازيلي) ويقترن ارتباطا وثيقا النشاط الأيضي في حالة الراحة 10،11،34، 35،36 SPECT وأكثر الشرياني مؤخرا وضع العلامات تدور (ASL) أساليب التصوير بالرنين المغناطيسي 37،38 نضح، وقد استخدمت لتقييم النشاط الأيضي غير طبيعية في حالات فردية. قلت ذلك، واشتقاق موثوقة أنماط التباين المكاني مع الرنين المغناطيسي الوظيفي يستريح الدولة (rsfMRI) كما لوحظ سابقا يست مباشرة 31،32. وحتى مع ذلك، فقد كشفت SSM / PCA تحليل أولي للبيانات rsfMRI من المرضى PD والضابطة حددت بعض homologies الطبوغرافية بين أنماط الأمراض ذات الصلة باستخدام طرائق اثنين، PET والسعة من تقلبات منخفضة التردد (ALFF) من BOLD الرنين المغناطيسي الوظيفي 39،40 . وأخيرا، نلاحظ أيضا أن هذا النهج قد تم تطبيقها بنجاح في فوكسل القائم على مورفومترى (VBM) بيانات التصوير بالرنين المغناطيسي الهيكلي 41،42، وكشف عن أنماط التباين المكاني المميزة المرتبطة بفقدان حجم المرتبط بالعمر وزيادة في مقارنات من VBM وأنماط ASL في الموضوعات نفسها 43. العلاقة بين SSM / PCA تصاميم التباين المكاني وشبكات الدماغ مماثلة تم تحديدها باستخدام أساليب تحليلية مختلفة ومنصات التصوير هو موضوع التحقيق الجاري.
Protocol
Representative Results
Discussion
نموذج SSM / PCA قدم أصلا من قبل مولر وآخرون. تطورت 01-03 أبريل في تقنية واضحة وقوية لتحليل البيانات تصوير الأعصاب. ومع ذلك، كانت هناك غموض في تطبيق هذه المنهجية التي حاولنا توضيح هنا وفي المنشورات السابقة 5-7،10. وقد تم تناول بعض هذه القضايا في النص ولكن اكد مج…
Disclosures
The authors have nothing to disclose.
Acknowledgements
وأيد هذا العمل من قبل منحة رقم P50NS071675 (موريس K. مركز يودال التميز البحثي في مرض باركنسون في معهد فينشتاين للأبحاث الطبية) إلى DE من المعهد الوطني للاضطرابات العصبية والسكتة الدماغية. المحتوى هو فقط من مسؤولية الكتاب ولا تمثل بالضرورة وجهة النظر الرسمية للمعهد الوطني للاضطرابات العصبية والسكتة الدماغية أو المعاهد الوطنية للصحة. لم الكفيل لا تلعب دورا في تصميم الدراسة، وجمع وتحليل وتفسير البيانات، كتابة التقرير أو في قرار تقديم الورقة للنشر.
Materials
| Name of Equipment | Company | Catalog Number | Comments |
| Image Acquisition | |||
| PET Scanner | GE Medical Systems | GE Advance | Any PET, PET/CT and PET/MRI Scanners from GE, Siemens and Philips |
| PC Workstations | Lenovo | Any | http://www.lenovo.com/us/en/ |
| Radiopharmaceuticals | |||
| [18F]-fluorodeoxyglucose | Feinstein Institute for Medical Research | Routine Production | Also distributed by Cardinal Health http://www.cardinal.com/ |
| Software | |||
| ScanVP | Feinstein Institute for Medical Research | Version 5.9.1, Version 6.2, To be released | www.feinsteinneuroscience.org |
| SPM | The UCL Institute of Neurology | spm99-spm8 | http://www.fil.ion.ucl.ac.uk/spm |
| Windows | Microsoft | Any | |
| Matlab | Mathworks | Matlab Version 7.0, 7.3 | http://www.mathworks.com/ |
| JMP | SAS | Version 5 | http://www.jmp.com/ |
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), 121-135 (1991).
- Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
- Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988 (2010).
- 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), 649-658 (1987).
- Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson’s disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
- Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
- Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
- Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer’s disease. Neuroimage. 40 (4), 1503-1515 (2008).
- Efron, B., Tibshirani, R. . An introduction to the bootstrap. , (1994).
- Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson’s disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
- Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson’s disease and Huntington’s disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
- Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
- Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
- Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson’s disease. J. Neurosci. 30 (3), 1049-1056 (2010).
- Mure, H., Hirano, S., et al. Parkinson’s disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
- Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
- Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
- Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer’s disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
- McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
- Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
- 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 (3 Pt. 1), 143-157 (1996).
- Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
- Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
- Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson’s disease. Brain. 130, 1834-1846 (2007).
- Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington’s disease. Brain. 130, 2858-2867 (2007).
- Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
- Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
- Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
- Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
- Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and “functional connectivity”. Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
- Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
- Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
- Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson’s disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
- Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson’s disease. J. Neurosci. 28 (16), 4201-4209 (2008).
- Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
- Eckert, T., Van Laere, K., et al. Quantification of Parkinson’s disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
- Ma, Y., Huang, C., et al. Parkinson’s disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
- Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson’s disease. Brain. 134 (Pt. 3), 845-855 (2011).
- Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson’s disease using resting state fMRI. , LB22 (2011).
- Peng, S., Wu, T., et al. A comparison study of Parkinson’s disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, 5610 (2012).
- Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
- Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
- Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
- Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2 (2007).
- Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
- Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
- Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson’s disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
- Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
- Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , (2002).
- Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
- Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
- Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
- Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson’s disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
- Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).
