fMRI 连接组关联研究中的多尺度统计检验
定量方法
2015-01-28 v2 计算机视觉与模式识别
应用统计
摘要
功能磁共振成像 (fMRI) 已发现脑连接改变与多种临床疾病相关。我们实证研究了脑区划分数量（或尺度）如何影响连接组上的大规模单变量广义线性模型 (GLM) 结果。连接组分析中作为节点的脑区划分由组聚类分析功能定义。我们首先验证了，在给定尺度下，结合参数 GLM 检验的经典 Benjamini-Hochberg 程序能适当控制错误发现率 (FDR)。随后，我们在真实模拟中观察到，只要在每个尺度内独立控制 FDR，跨尺度的 FDR 就不会出现显著膨胀，并且可以通过结合所有尺度的综合置换检验来确定真实关联的存在。其次，我们在模拟数据以及三个真实的静息态 fMRI 数据集（精神分裂症、先天性失明、运动练习）中均观察到，发现率随尺度变化显著，且在低尺度（低于 25）时相对较高。尽管发现率存在差异，但这三个真实数据集中不同尺度导出的统计图总体上非常一致。部分种子点在 50 左右尺度显示出更佳的效应观测结果，说明了多尺度分析的潜在益处。在真实数据上，统计图与现有文献吻合良好。总体而言，我们的结果支持带有 FDR 控制的多尺度 GLM 连接组分析在统计学上是有效的，并能在各种实验条件下捕捉到具有生物学意义的效应。
引用
@article{arxiv.1409.2080,
title = {Multiscale statistical testing for connectome-wide association studies in fMRI},
author = {P. Bellec and Y. Benhajali and F. Carbonell and C. Dansereau and G. Albouy and M. Pelland and C. Craddock and O. Collignon and J. Doyon and E. Stip and P. Orban},
journal= {arXiv preprint arXiv:1409.2080},
year = {2015}
}
备注
54 pages, 12 main figures, 1 main table, 10 supplementary figures, 1 supplementary table