Scelta del Voxel

NOTIZIE RECENTI

Sep 19, 2023

10 oltre

Mar 29, 2023

11 città più affascinanti della costa atlantica

Mar 31, 2023

27 prodotti per la casa all'aperto per ritrovi notturni

Nov 03, 2023

27 prodotti per la casa all'aperto per ritrovi notturni

May 16, 2023

30 pratici prodotti estivi con un sacco di cinque

INVIA LA TUA RICHIESTA

INVIA

Dec 21, 2023

Communications Biology volume

Biologia delle comunicazioni volume 5, numero articolo: 913 (2022) Citare questo articolo

2521 accessi

4 citazioni

9 Altmetrico

Dettagli sulle metriche

Le neuroscienze fondamentali e cliniche hanno tratto enormi benefici dallo sviluppo di analisi computazionali automatizzate. Ogni anno vengono pubblicati oltre 600 articoli di neuroimaging umano che utilizzano la morfometria basata su Voxel (VBM) e vengono utilizzati diversi processi di elaborazione automatizzata, anche se resta da valutare sistematicamente se forniscono le stesse risposte. Qui abbiamo esaminato la variabilità tra quattro pipeline VBM comunemente utilizzate in due grandi set di dati strutturali del cervello. La somiglianza spaziale e la riproducibilità tra le condutture delle mappe cerebrali della materia grigia elaborate erano generalmente basse tra le condutture. L'esame delle differenze di sesso e dei cambiamenti legati all'età ha rivelato notevoli differenze tra i gasdotti in termini di regioni specifiche identificate. Le analisi multivariate basate sull’apprendimento automatico hanno consentito previsioni accurate di sesso ed età, tuttavia la precisione differiva tra le pipeline. I nostri risultati suggeriscono che la sola scelta della pipeline porta a una notevole variabilità nei marcatori strutturali del cervello, il che rappresenta una seria sfida per la riproducibilità e l'interpretazione.

Le neuroscienze umane fondamentali e cliniche mirano a determinare il contributo di specifici sistemi cerebrali ai processi e ai disturbi mentali e gli approcci di neuroimaging sono stati ampiamente utilizzati a tal fine. Grazie alla sua elevata risoluzione spaziale e alla natura non invasiva, le valutazioni basate sulla risonanza magnetica (MRI) della struttura e della funzione cerebrale sono diventate una delle tecniche di neuroimaging più utilizzate. Tuttavia, la complessità e la flessibilità dei flussi di lavoro nelle analisi MRI e le differenze tra i pochi pacchetti software di analisi comunemente utilizzati possono portare a un'elevata variabilità nei risultati di neuroimaging1. Questa variabilità mette alla prova l’interpretazione dei risultati rispetto alla mappatura precisa dei processi mentali e dei biomarcatori cerebrali per i disturbi mentali. Rispetto all'elaborazione dei dati MRI funzionale (fMRI), le analisi della morfometria cerebrale delle immagini strutturali pesate in T1 consentono meno variazioni di elaborazione e possono avere una maggiore affidabilità test-retest1,2,3,4,5,6. Tuttavia, la scelta del software analitico può comunque avere un impatto considerevole sui risultati ottenuti. La variabilità in termini di se e quali specifiche regioni del cervello superano la soglia statistica, a sua volta, ha un grande impatto sull’interpretazione dei risultati rispetto alla mappatura struttura-funzione o ai biomarcatori cerebrali e può ostacolare in modo significativo la sensibilità delle successive meta-analisi di neuroimaging. .

La ricerca neuroanatomica ha tratto enormi benefici dallo sviluppo di approcci computazionali automatizzati come la morfometria basata su Voxel (VBM), che esamina le variazioni nel volume regionale della materia grigia, e gli approcci basati sulla superficie sviluppati più recentemente (ad esempio, l'esame dello spessore corticale). Il VBM rappresenta uno degli approcci analitici strutturali cerebrali più comunemente utilizzati fino ad oggi (ad esempio, una semplice ricerca bibliografica utilizzando il termine "morfometria basata su voxel" o "VBM" su PubMed ha rivelato 6210 studi, https://pubmed.ncbi.nlm. nih.gov, dal 1993 al 19 novembre 2020, vedere anche le pubblicazioni per VBM e altri approcci come "spessore corticale" e "area superficiale" in PubMed illustrato in Fig. S1). Il flusso di lavoro VBM standardizzato e altamente automatizzato include la segmentazione della materia grigia da altri tessuti cerebrali, la normalizzazione nello spazio stereotassico standard e lo smoothing con un kernel gaussiano prima dell'applicazione delle statistiche inferenziali. I corrispondenti modelli statistici inferenziali voxel-wise determinano comunemente (1) differenze tra gruppi nel volume regionale della materia grigia (GMV), ad esempio, tra pazienti e controlli o uomini e donne7,8,9,10, o (2) associazioni tra individui variazioni nel GMV regionale e nei fenotipi comportamentali, inclusi tratti rilevanti per l'apprendimento, l'età o il disturbo11,12,13,14,15,16. Differenze o associazioni significative vengono comunemente interpretate in modo specifico per regione, ad esempio mappando funzioni comportamentali specifiche a specifici sistemi cerebrali e determinando quali regioni del cervello subiscono cambiamenti legati all'età o quali regioni contribuiscono ai disturbi mentali. Più recentemente, approcci analitici multivariati basati sull'apprendimento automatico come Multivariate Pattern Analysis (MVPA) sono stati sempre più applicati ai dati VBM per rilevare modelli sottili e distribuiti spazialmente di variazioni strutturali del cervello per migliorare la diagnostica dei disturbi mentali basata su biomarcatori17,18,19 . MVPA mira a determinare le variazioni nel modello spaziale su più voxel simultaneamente ed è quindi spesso più sensibile nel rilevare differenze tra gruppi o associazioni strutturali del cervello. L'approccio si basa su algoritmi di riconoscimento di modelli di training, ad esempio dati strutturali del cervello, e può essere applicato a nuovi dati per prevedere l'appartenenza a un gruppo (ad esempio, pazienti rispetto a controlli o donne rispetto a uomini) o variazioni individuali in una variabile continua come come età.

female was observed in the lingual gyrus, precuneus, left hippocampus, bilateral parahippocampal cortex, olfactory cortex, left putamen, and left insula (Fig. 3a). No common regions for female > male were observed among the four pipelines. The two FSL pipelines shared only 13.16% overlap (Table 1), with overlapping higher GMV for females being located in the bilateral postcentral cortex, right angular, right inferior parietal lobule, and cerebellum (Fig. 3a). In contrast to the comparably small overlap between the pipelines, wide variations in the location and extent of the identified GMV sex-differences were observed specifically in medial prefrontal and occipital regions. For instance, whereas CAT revealed higher GMV in widespread cerebellar and limbic regions in men, FSLANAT and FSLVBM revealed higher GMV in widespread posterior/superior parietal regions in women (Fig. 3a)./p>female contrast. The right panels of a correspond to the female > male contrast. For a and d the pipelines are coded as: red = CAT, green = FSLVBM, blue = FSLANAT, light blue = sMRIPrep, additional colors visualize the overlap between the results, e.g., CAT ∩ FSLVBM = yellow, CAT ∩ FSLANAT = purple, FSLVBM ∩ FSLANAT = light blue, CAT ∩ FSLVBM ∩ FSLANAT = white and etc. b The variability of unthresholded statistical maps. The correlation values between whole-brain unthresholded statistical maps of four pipelines were computed respectively for sex differences. Only positive values are visualized for display purpose. c Decoding the functional properties of the identified brain regions of male > female (a, red = CAT, green = FSLVBM, blue = FSLANAT, no difference in sMRIPrep) using NeuroSynth. Only the top 20 functional terms are visualized. The font size reflects the size of the correlation. d Reliable brain patterns to distinguish sex differences via bootstrapping test (5000 permutations, pFDR < 0.05), and e cross-predicted accuracy of four pipelines in independent samples. The color from cold to warm indicates increasing classification accuracy (from 0.5 to 1)./p>

5, Fig. 3d), and there were wide differences in the location of predictive voxels. For instance, predictions based on CAT strongly weighted voxels in the putamen, hippocampus, middle cingulate cortex, and angular gyrus, while FSLANAT identified strongly predictive voxels in a widespread network including the superior frontal cortex, orbitofrontal cortex, pre- and postcentral cortex, insula, temporal pole, angular gyrus, and cerebellum. FSLVBM and sMRIPrep revealed generally similar findings to FSLANAT./p>86%), as well as relatively high accuracy for predicting data processed by sMRIPrep (FSLANAT: 80%, Cohen's d = 0.6437, and FSLVBM: 76%, Cohen's d = 0.7231) and CAT (FSLANAT: 72%, Cohen's d = 0.7810, and FSLVBM: 76%, Cohen's d = 0.7402). For further independent validation of the sex-predictive pattern in dataset 2 see Supplemental Results./p>5, Fig. 4c). Considerable spatial variations became apparent (Table S11), for instance, FSLANAT revealed high predictive weight for regions in the putamen, hippocampus, hypothalamus, brainstem, medial frontal cortex, middle temporal gyrus, middle frontal gyrus, and insula, while data processed with FSLVBM suggested that postcentral gyrus, superior frontal gyrus, superior temporal gyrus, and cerebellum strongly contributed to the prediction. Despite marked differences in the spatial distribution, an accurate prediction of age was possible based on data from all pipelines, as reflected by high correlations between the predicted and true age (all r values >0.8, Fig. 4d)./p>0.8, Fig. 4d, for sex classifiers, higher than chance level, Figs. 3e and S10). These results suggest that all pipelines retained biologically and functionally relevant information. However, further examination of the spatial distribution of the most predictive voxels revealed considerable variations across the four pipelines, similar to the mass-univariate analyses (Figs. 3d and 4c, Table S11). For instance, the application of CAT processed data to develop sex classifiers would have emphasized the region-specific contribution of the putamen, hippocampus, middle cingulate cortex, and angular gyrus, while FSLANAT would have indicated that a widely distributed pattern allowed successful sex classification. Finally, the preprocessing pipeline had a significant effect on prediction accuracy and prediction effect sizes, such that, depending on the pipeline, our sex classifiers reached 70–94% classification accuracy in an independent dataset. This indicates that the processing pipeline can have a considerable effect on the sensitivity and specificity of multivariate predictive signatures./p>70 indicates satisfactory to excellent image quality). Thus, all data passed the quality control procedure./p>0.74 excellent64,65,66./p>

Notizia

Scelta del Voxel