Identification des modèles de covariance spatiale liés à la maladie en utilisant des données de neuro-imagerie
Summary
Techniques multivariées, y compris l'analyse en composantes principales (ACP) ont été utilisées pour identifier les schémas de signature de changement régional dans les images fonctionnelles du cerveau. Nous avons développé un algorithme pour identifier les biomarqueurs du réseau reproductibles pour le diagnostic des maladies neurodégénératives, l'évaluation de la progression de la maladie et l'évaluation objective des effets du traitement dans les populations de patients.
Abstract
Le modèle de sous-profil à l'échelle (SSM) 1-4 est un algorithme multivarié PCA basée qui identifie les principales sources de variation de patients et les données d'image du cerveau du groupe de contrôle, tout en rejetant moins de composants (figure 1). Appliqué directement à des données de covariance voxel par voxel d'images multimodales état d'équilibre, une image entière ensemble du groupe peut être réduite à quelques motifs importants de covariance linéairement indépendants et les scores de sujet correspondant. Chaque modèle, appelé un groupe de sous-profil invariant (SIG), est une composante principale orthogonale qui représente un réseau réparti dans l'espace de régions du cerveau liées entre fonctionnellement. Grands effets scalaires moyennes mondiales qui peut masquer les petites contributions spécifiques réseau sont éliminés par la conversion logarithmique inhérente et signifient centrage des données 2,5,6. Sujets expriment chacun de ces modèles à un degré variable représentée par un score simple scalaire qui peut corréler avec clin indépendantdescripteurs iCal ou psychométrique 7,8. En utilisant l'analyse de régression logistique des sujets scores (valeurs d'expression de modèle), les coefficients linéaires peuvent être dérivées de combiner plusieurs composants principaux dans des modèles de covariance spatiale liés à la maladie unique, à savoir les réseaux composites avec une meilleure discrimination des patients provenant de sujets témoins en bonne santé 5,6. La validation croisée dans l'ensemble de dérivation peut être réalisée en utilisant des techniques de rééchantillonnage bootstrap 9. Validation avant est facilement confirmé par l'évaluation du score directe des modèles dérivés de séries de données prospectives 10. Une fois validées, les motifs liés à la maladie peuvent être utilisés pour marquer des patients par rapport à un échantillon de référence fixe, souvent l'ensemble des sujets en bonne santé qui ont été utilisées (avec le groupe de la maladie) dans le calcul du modèle original 11. Ces valeurs normalisées peuvent à leur tour être utilisés pour aider dans le diagnostic différentiel et 12,13 pour évaluer la maladieprogression et le traitement des effets au niveau du réseau 7,14-16. Nous présentons un exemple de l'application de cette méthodologie à FDG PET données de patients atteints de la maladie de Parkinson et les contrôles normaux en utilisant notre logiciel maison pour dériver un modèle de covariance caractéristique biomarqueur de la maladie.
Introduction
Les maladies neurodégénératives ont été largement étudiés en utilisant des techniques permettant de localiser et de quantifier les anomalies du métabolisme du cerveau ainsi que des méthodes non-déductives qui étudient les interactions régionales 17. Stratégies d'analyse multivariée pilotés par les données, comme l'analyse en composantes principales (ACP) 1,2,4,18 et analyse en composantes indépendantes (ICA) 19,20, ainsi que des techniques supervisées comme moindres carrés partiels (PLS) 21 et les tendances ordinales canoniques analyse des variables aléatoires (TRO / CVA) 22 peut révéler des motifs caractéristiques ou de «réseaux» d'activité interdépendants. Les bases de procédures multivariées, en particulier le modèle de sous-profil à l'échelle (SSM) 1,2,4-6,18 ont été décrits précédemment dans JoVE 3. Cette approche basée sur PCA a été initialement développé pour examiner les relations de covariance fonctionnelles anormales entre les régions du cerveau en images de volumes simples état d'équilibre de la circulation sanguine cérébrale et acq du métabolismeuired à l'état de repos des modalités telles que le PET et SPECT qui présentent des caractéristiques haut rapport signal-bruit. Modèles de SSM spécifiques à la maladie sont des biomarqueurs d'imagerie qui reflètent les différences globales de la topographie régionale chez les patients par rapport aux sujets normaux 7,16 et peut refléter un processus de réseau unique ou l'assimilation de plusieurs fonctions anormales complexes 23. Réseaux cérébraux de modèle de covariance métaboliques sont associées à des valeurs d'expression (sous réserve scores) qui peuvent distinguer entre les groupes normaux et pathologiques et de fournir des mesures fondées sur le réseau qui sont en corrélation avec les évaluations cliniques de sévérité de la maladie. En règle générale, sous réserve scores pour ces modèles augmentent avec la progression de la maladie et peuvent même être exprimées avant l'apparition des symptômes 14,24. En effet, les biomarqueurs de réseau liés à la maladie ont été caractérisées par des troubles neurodégénératifs tels que la maladie de Parkinson 10 (PD), la maladie de Huntington 25 (HD) et de la maladie d'Alzheimer 8 </sup> (AD). Surtout, topographies métaboliques liés à la maladie ont également été identifiés pour les troubles du mouvement parkinsoniens atypiques telles que l'atrophie de système multiple (MSA) et la paralysie supranucléaire progressive (PSP). Ces modèles ont été utilisés de concert pour le diagnostic différentiel des individus avec des "sosies" syndromes cliniquement similaires 12,13,26.
En revanche, les méthodes unidimensionnelles voxel IRMf typiques évaluer l'importance des différences entre les patients et les contrôles en grappes cérébrales isolées. Plus récemment, des méthodes ont été développées pour mesurer la connectivité fonctionnelle entre les régions du cerveau diversement définies 27-29. Cette définition de la connectivité fonctionnelle est limitée à l'objet et de la région des interactions et dévie spécifiques du concept original SSM / PCA qui fait référence à l'interconnexion transversale des régions du réseau du cerveau répartis dans l'espace intrinsèques 1,2,23,30. À leur avantage, les plates-formes d'IRM unere facilement installé, largement disponible, non-invasive et nécessitent généralement le temps de balayage plus court que les modalités d'imagerie de radiotraceurs traditionnels tels que le PET ou SPECT entraînant une recrudescence des méthodologies potentielles décrites dans la littérature récente. Cependant, les signaux d'IRMf en fonction du temps obtenues fournissent des mesures indirectes de l'activité neuronale locale 31,32. Les algorithmes d'analyse généralement complexes employées ont été limités par la taille des jeux de données, le bruit physiologique inhérente à signaux IRMf, ainsi que la grande variabilité de l'activité cérébrale qui existe entre les sujets et les régions 19,23. Bien que des informations intéressantes sur l'organisation du cerveau peut être déduite des propriétés des «réseaux» IRMf, ils n'ont pas été suffisamment stable pour être utilisée en tant que biomarqueurs de la maladie fiables. En outre, les topographies de réseau qui en résultent ne sont pas nécessairement équivalents à ceux identifiés à l'aide des méthodes d'imagerie fonctionnelle établis tels que SSM / APC. Pour èmee majeure partie, rigoureuse validation croisée des topographies de IRMf résultant a fait défaut avec quelques exemples d'application réussie de l'avant des modèles dérivés des données de numérisation potentiels de cas isolés.
Un avantage de l'analyse de covariance PCA réside dans sa capacité à identifier les sources les plus importantes de la variation des données dans les premières composantes principales, mais il est inefficace si les vecteurs propres de premier plan constituent des facteurs de bruit aléatoire plutôt que la réponse réelle du réseau intrinsèque. En sélectionnant seulement les quelques premiers vecteurs propres et de limiter à ceux qui montrent des différences significatives dans les scores de contrôle du patient par rapport à la normale, nous réduisons considérablement l'influence des éléments sonores. Cependant, à l'approche de base décrite ici, ces mesures peuvent ne pas être suffisante pour générer des estimateurs robustes dans un ensemble de données IRMf typique à l'exception des modalités décrites ci-dessous.
Ainsi, en raison de la relation directe de g stable régionallucose métabolisme et l'activité synaptique 33, cette méthodologie a été principalement appliquée à l'analyse de l'état reste FDG PET données. Toutefois, étant donné que le débit sanguin cérébral (CBF) est étroitement associée à l'activité métabolique dans l'état de repos 10,11,34, 35,36 SPECT et plus récemment artérielle marquage de spin (ASL) des méthodes d'imagerie IRM de perfusion 37,38, ont été utilisés pour évaluer l'activité métabolique anormale dans des cas individuels. Cela dit, la dérivation des modèles de covariance spatiale fiables avec IRMf état de repos (rsfMRI) est aussi noté précédemment pas simple 31,32. Même si, SSM / PCA analyse préliminaire des données rsfMRI de patients parkinsoniens et les sujets témoins a révélé quelques homologies topographiques entre les modèles liés à la maladie identifiés à l'aide des deux modalités, le PET et l'amplitude des fluctuations à basse fréquence (ALFF) de BOLD IRMf 39,40 . Enfin, nous notons aussi que cette approche a été appliquée avec succès dans voxel base morphométrie (VBM) des données d'IRM structurelles 41,42, révélant modèles de covariance spatiale distinctifs associés à la perte de volume liée à l'âge et à d'autres comparaisons de VBM et modèles ASL dans les mêmes sujets 43. La relation entre la SSM / PCA topographies de covariance spatiales et des réseaux du cerveau analogues identifiés à l'aide de différentes approches analytiques et plates-formes d'imagerie est un sujet d'enquête en cours.
Protocol
Representative Results
Discussion
Le modèle SSM / PCA présenté à l'origine par Moeller et al. 4 a évolué 1-3 en une technique simple et robuste pour l'analyse des données de neuro-imagerie. Cependant, il ya eu des ambiguïtés dans l'application de cette méthodologie que nous avons tenté de préciser ici que dans les publications précédentes 5-7,10. Certaines de ces questions ont été abordées dans le texte mais sont remis l'accent ici en raison de leur importance. Comme indiqué dan…
Declarações
The authors have nothing to disclose.
Acknowledgements
Cette travail a été soutenu par Grant No. P50NS071675 (Morris K. Udall Center of Excellence dans le Recherche de Maladie d'Parkinson à L'Institut Feinstein pour la recherche médicale) au document DE à partir de le Institut national de la Troubles Neurologiques et les accidents cérébrovasculaires. Le contenu est uniquement la responsabilité de les auteurs et ne représente pas nécessairement les vues officielles de l'Institut national de la Troubles Neurologiques et Stroke ou le Institutes of Health National. Le parrain n'a pas joué un rôle dans conception de l'étude, collecte, l'analyse et l'interprétation des données, la rédaction de la rapport ou dans la décision de soumettre le papier pour publication.
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/ |
Referências
- 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).
