Den aktuella artikeln beskrivs grunderna för multivariat analys och kontraster till de vanligaste Voxel-wise univariat analys. Båda typerna av analys tillämpas på en klinisk neurovetenskap datamängden. Kompletterande delad halv Simuleringarna visar bättre replikering av multivariata resultat i oberoende datamängder.
Multivariat analys tekniker för neuroimaging data har nyligen fått ökad uppmärksamhet eftersom de har många attraktiva funktioner som inte lätt kan realiseras av de vanligaste univariat, Voxel-vis, tekniker<sup> 1,5,6,7,8,9</sup>. Multivariat metoder utvärdera korrelation / kovarians av aktivering i hjärnan istället för att fortsätta på en Voxel-för-Voxel basis. Således kan resultaten lättare tolkas som en signatur av neurala nätverk. Univariata metoder, däremot, kan inte direkt ta itu med interregionala korrelation i hjärnan. Multivariata metoder kan också leda till ökad statistisk styrka jämfört med univariata metoder, som tvingas anställa mycket stränga korrektioner för Voxel-vis flera jämförelser. Vidare multivariata tekniker lämpar sig också mycket bättre för potentiella tillämpning av resultat från analysen av en uppsättning data till helt nya datamängder. Multivariata tekniker är därför väl lämpade att ge information om betyda skillnader och samband med beteende, i likhet med univariata metoder, med potentiellt större statistisk styrka och bättre kontroller reproducerbarhet. I motsats till dessa fördelar är den höga hinder för inträde till användningen av multivariata metoder, vilket hindrar en vidare tillämpning i samhället. Till neuroforskare att bli bekant med multivariat analys tekniker, kanske en första kartläggning av fältet presentera en förvirrande mängd olika metoder att även algoritmiskt liknande, presenteras med olika inriktningar, oftast av människor med matematik bakgrund. Vi tror att multivariat analys tekniker har tillräcklig potential för att motivera bättre spridning. Forskare ska kunna använda dem på ett informerat och lättillgängligt sätt. Den aktuella artikeln är ett försök till en didaktisk införandet av multivariata tekniker för nybörjare. En begreppsmässig introduktion följs med en mycket enkel ansökan till ett diagnostiska data in från Alzheimers sjukdom Neuroimaging Initiative (ADNI), vilket tydligt visar den överlägsna prestanda multivariat angreppssätt.
Vi hoppas ha gett betraktaren en smak av grunderna i multivariat analys, intresserade tittare uppmuntras att kolla in vår hemsida. Några val för parametrar i multivariat analys gjordes som kan bli föremål debatten till stor debatt. Vi slipper diskussionen om dessa frågor i den här artikeln för att undvika distraktion från de stora frågorna. Först valde vi de första 6 viktigaste komponenterna för att bygga vår AD-relaterade kovarians mönster. Det finns teoretiska skäl för detta val som vi inte diskuterar 4. Den särskilda Valet av 6 viktigaste delarna är dock inte avgörande för våra argument: en kan välja i mellan 2 och 20 st och ändå få överlägsen generalisering prestanda multivariata markör i split-sample simuleringar. Resultaten är lika robusta med avseende på valet av antalet patienter i härledning och prover replikering. Vi valde 20 ämnen för båda grupperna i replikering urvalet, men detta var enbart för matematisk bekvämlighet för att snabba upp beräkningarna. Våra resultat om de relativa fördelarna av båda teknikerna skulle hålla samma sätt om antalet patienter i härledningen prover ökat.
För det andra presenterade vi bara de mest grundläggande typen av multivariat analys. Betydande komplikation med tekniker lånade från Maskinen-lärande litteratur, linjära och icke-linjära transformationer innan PCA, och diverse andra rynkor är möjliga som kan öka generalisering prestanda ännu mer. För enkelhetens skull har vi inte berört dessa möjligheter i denna artikel.
The authors have nothing to disclose.
Författaren är tacksam för NIH bevilja stöd:
NIH / NIBIB 5R01EB006204-03 multivariat metoder för neuroradiologiska analys
NIH / NIA 5R01AG026114-02 Tidig AD Detection med ASL MR & Kovarians Analys
ADNI: Imaging uppgifter lämnades av Alzheimers sjukdom Neuroimaging Initiative (ADNI) (NIH U01AG024904). Datainsamling och utbyte för detta projekt har finansierats av Alzheimers sjukdom Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904). ADNI finansieras av National Institute on Aging, National Institute of Biomedical Imaging och bioteknik, och genom generösa bidrag från följande: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson och Johnson, Eli Lilly & Co, Medpace, Inc., Merck & Co, Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc , Inc. och Wyeth, samt icke-vinstdrivande partner Alzheimers Association och Alzheimers Drug Discovery Foundation, med deltagande från den amerikanska Food and Drug Administration. Den privata sektorns bidrag till ADNI underlättas av Stiftelsen för National Institutes of Health ( http://www.fnih.org ). Den behörige organisationen är norra Kalifornien institutet för forskning och utbildning, och studien samordnas av Alzheimers sjukdom Cooperative Study vid University of California, San Diego. ADNI uppgifter sprids av laboratoriet för Neuro Imaging vid University of California, Los Angeles. Denna forskning stöddes också av NIH bidrag P30 AG010129, K01 AG030514 och Dana Foundation.