היסודות של ניתוח רב משתני של נתונים הדמייה

סרטון זה מדגים ומשווה בין טכניקות ניתוח רב-משתניות (multivariate) וחד-משתניות (univariate) עבור נתוני דימות מוחי עם יישומים לאבחון מחלת אלצהיימר. ראשית, לצורך הניתוח החד-משתני, מבוצעת השוואה של פעילות מוחית מ-20 חולים בשלבים מוקדמים של אלצהיימר מול 20 ביקורות בריאות תואמות גיל. נעשה שימוש ב-SPM כדי לזהות את אזור המוח המראה את הגירעון היחסי הגדול ביותר באות ה-FDG PET אצל חולי האלצהיימר ביחס לנבדקי הביקורת.

עבור הניתוח הרב-משתני, נעשה שימוש בניתוח רכיבים ראשיים עם ניתוח מבדיל ליניארי כדי להפיק את תוצאות הסמנים, אשר מעידות כי הסמן הרב-משתני מספק ביצועים אבחנתיים טובים יותר מהסמן החד-משתני ומעניק יכולת הכללה עדיפה לנתונים בלתי תלויים. שלום, אני כריסטיאן הלבק ממכון TA במחלקת נוירולוגיה במרכז הרפואי של אוניברסיטת קולומביה. היום נראה לכם דוגמה לניתוח נתונים רב-משתני של נתוני הדמיה נוירולוגית.

אנו משתמשים בנוהל זה במעבדה שלנו כדי לחקור את הדרך האופטימלית לגילוי מוקדם של מחלת אלצהיימר מנתוני דימות עצבי. אז בואו נתחיל. נפתח בסקירה מושגית של ניתוח רב-משתני של נתוני דימות עצבי.

גישות רב-משתניות מעריכות את המתאם של הפעילות בין אזורי מוח שונים, במקום להתקדם על בסיס ווקסל בודד כפי שנעשה בניתוח חד-משתני. לדוגמה, ניתן לדמיין סט נתונים היפותטי פשוט של 50 נבדקים אנושיים שבו נמדדו רק שלושה אזורים המוגדרים כווקסלים במוח. המטרה הכללית של ניתוח רב-משתני היא לזהות את מקורות השונות העיקריים בנתונים ולאחר מכן לתאר את ההשפעות המרכזיות רלוונטיות בנתונים.

בכל הנוגע למקורות אלו של וריאנטים, ניתוח חד-משתני (univariate analysis) אינו מתחשב במתאם בין ווקסלים. שני הפאנלים המוצגים כאן יטופלו באופן זהה על ידי ניתוח חד-משתני, ללא קשר לשאלה אם קיים מתאם בין הווקסלים או לא. בסרטון זה, הליך הניתוח עבור ניתוח חד-משתני וניתוח רב-משתני יודגם על מערך נתונים קליני המכיל סריקות PET מסוג FTG במצב מנוחה של 95 חולים בשלבים מוקדמים של אלצהיימר (AD) ו-102 ביקורות תואמות (H matched controls); מכל תמונות המוח, נבחרו באופן אקראי 20 תמונות הן מהחולים והן מקבוצת הביקורת כדי להוות את מדגם הגזירה.

75 ו-82 הסריקות הנותרות, בהתאמה, מהוות את מדגם השחזור. כעת נראה כיצד להחיל ניתוחים חד-משתנים ורב-משתנים על מערך נתונים זה. נתחיל בגישה החד-משתנית, ונשיג את הסמן החד-משתני למחלת אלצהיימר באמצעות תוכנת SPM. כדי להשוות בין 20 סריקות ה-ad ל-20 סריקות הביקורת במדגם הגזירה, בחר את מיקום המוח המראה את הירידה הגדולה ביותר באות ה-pet בחולי AD בהשוואה לקבוצת הביקורת.

באמצעות מבחן T לבדיקת היעילות האבחנתית של אזור זה, בדקו את הנתונים במדגם השחזור עבור אותו אזור מוחי, ושרטטו את אות ה-pet שלו כפונקציה של מצב המחלה. לאחר מכן, השגיו את הסמן הרב-משתני. לצורך הניתוח הרב-משתני נעשה שימוש בארגז כלים מותאם של MATLAB הזמין באופן מקוון.

בצע ניתוח רכיבים ראשיים (PCA) על 40 הסריקות המשולבות במדגם הגזירה. לאחר מכן, בנה תבנית Covance מששת הרכיבים הראשיים הראשונים שבהם ציון הנבדק מראה הפרש ממוצע מקסימלי בין 80 חולים לקבוצת ביקורת בריאה. לאחר קבלת תבנית ה-Covance האבחנתית ממדגם הגזירה, החל אותה על מדגם השחזור, שרטט את ציוני הנבדקים שהתקבלו כפונקציה של מצב המחלה והשווה את הביצועים בשני המדגמים.

כדי לספק השוואה כללית יותר בין גישות חד-משתניות (univariate) ורב-משתניות (multivariate), בצעו סימולציית פיצול מדגם (split sample simulation) וחזרו על השלבים הקודמים 1,000 פעמים על נתונים שנדגמו מחדש, כאשר בכל פעם נוצרים מדגם גזירה (derivation sample) של 20 עד 20 ומדגם שכפול (replication sample) של 75 עד 82 מתוך 80 חולים ובקרי בריאות באופן רענן. סימולציות פיצול מדגם נפוצות במחקר מתודולוגי מכיוון שהן מספקות בדיקה פשוטה של הסמנים שנגזרו במדגם הגזירה על ידי תיעוד שגיאות הניבוי שלהם במדגם השכפול; חשבו סממני מחלה חד-משתניים ורב-משתניים ממדגם הגזירה והגדירו את סף ההחלטה כך שלכל היותר בקרה בריאות אחת תסווג בטעות כ-ad, מה שמתאים לסגוליות (specificity) של 95%. לבסוף, החילו את סממני המחלה עם ספי ההחלטה הספציפיים שלהם על מדגמי השכפול ותעדו את שיעורי שגיאות הסיווג במדגם השכפול עבור כל חזרות הדגימה מחדש. כעת נבחן את תוצאות הניתוחים החד-משתניים והרב-משתניים ואת הדמיות סימולציות פיצול המדגם.

עבור ניתוח שטח ה-univ. השטח הגדול ביותר של חסר FDG הקשור למחלה נמצא ב-Precuneus באזור ברודמן 31. השטח מתחת לעקום ה-ROC שהושג היה 0.90.

ההכללה של ניגוד זה למדגם השחזור הייתה טובה למדי, עם שטח תחת העקום (AUC) של 0.84 עבור הניתוח הרב-משתני. אזורים עם טעינות חיוביות, המרמזים על שימור יחסי של אות אל מול המחלה, נמצאו בדגילי (cerebellum), בעוד שאיבוד אות נלווה נמצא באזורים הפריאטליים, הטמפורליים והפרונטליים ובסיבוב החגורתי האחורי (posterior cingulate gyrus). השטחים תחת העקום הן במדגם הגזירה והן במדגם השחזור היו טובים מעט מהסמן החד-משתני, ב-0.96 ו-0.88 בהתאמה. משיעורי שגיאות הסיווג הכוללים שנרשמו בסימולציות של 1000 פיצולי מדגמים, ניתן להבחין שהסמן הרב-משתני מספק שחזור טוב יותר של הביצועים האבחנתיים מאשר הסמן החד-משתני. הרגע הצגנו כיצד להחיל ניתוח רב-משתני על בעיית האבחון של אלצהיימר בסריקות Ft.G PET.

כל הנתונים זמינים לציבור באתר של Alzheimer's Disease Neuroimaging Initiative. בעת ביצוע הליך זה על נתונים אמיתיים, חשוב לזכור ששלבי בקרת האיכות הרגילים כבר בוצעו מראש. שום ניתוח אינו יכול לחולל נס עם נתונים באיכות ירודה.

זהו זה. תודה שצפיתם ובהצלחה בניתוח שלכם.