文献

J-GLOBAL ID：201802230816147326   整理番号：18A0853863

fMRIデータセットにおけるクラスタレベルの統計的推論:高次元におけるランダム場の予想外の挙動【JST・京大機械翻訳】

Cluster-level statistical inference in fMRI datasets: The unexpected behavior of random fields in high dimensions

著者 (4件)： Bansal Ravi (Institute for the Developing Mind, Children’s Hospital Los Angeles, CA 90027, USA) ,  Bansal Ravi (Department of Pediatrics, Keck School of Medicine at the University of Southern California, Los Angeles, CA 90033, USA) ,  Peterson Bradley S. (Institute for the Developing Mind, Children’s Hospital Los Angeles, CA 90027, USA) ,  Peterson Bradley S. (Department of Psychiatry, Keck School of Medicine at the University of Southern California, Los Angeles, CA 90033, USA)
資料名： Magnetic Resonance Imaging  (Magnetic Resonance Imaging)
巻： 49  ページ： 101-115  発行年： 2018年 
JST資料番号： A1133A  ISSN： 0730-725X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： MRIデータセットにおける関心の局所的影響を同定することは,通常,数千の脳ボクセルにわたる事前仮説の試験を必要とし,これらの多重仮説試験における偽陽性所見の制御を必要とする。最近の研究は,パラメトリック統計法が機能的MRIデータを誤ってモデル化する可能性があり,それにより,それらの公称速度より高い偽陽性率をもたらすことを示唆している。対照的に,複数の統計的試験を行うときの統計的推論のための非パラメトリック法は,公称速度で偽陽性を生成すると考えられ,以前に報告された研究が非パラメトリックツールを用いてそれらのfMRIデータを再解析する必要があることを示唆した。パラメトリック法が過剰な偽陽性を生じる可能性がある理由を理解するために,1D,2D,3Dガウスランダムフィールド(GRFs)のシミュレーションデータセットと710の実世界,静止状態fMRIデータセットの両方に適用した場合の性能を評価した。シミュレーションした2Dと3D GRFsと実世界データの両方が,1D GRFに存在しない非常に大きなクラスタ(平均クラスタサイズよりも平均60倍)の小さい割合(<6%)を含むことを示した。これらの予想外に大きいクラスタは,パラメトリック法を用いて統計的に有意であり,65%の高い経験的家族誤り率(FWER)をもたらした。高い経験的FWERは,空間平滑性を正確にモデル化するためのパラメータ法の結果ではなかったが,滑らかな高次元ランダム場に本質的に存在するこれらの非常に大きなクラスタの結果ではなかった。事実,これらの非常に大きなクラスタを割引するとき,パラメトリック法に対する経験的FWERは3.24%であった。さらに,65%の経験的FWERさえも,各脳全体の分析において非常に大きなクラスタの1つよりも平均的に少ない。これとは対照的に,非パラメトリック法は,それらの大きなクラスタから推定された分布,したがって,構築物によって,公称FWERにおける偽陽性として大きなクラスタを排除した。これらの排除されたクラスタは,クラスタサイズの分布において異常値であったが,それらの領域におけるfMRIシグナルが他の臨床的,行動的または認知的尺度と相関するかどうかを評価することを含む,更なる分析なしで真の陽性所見と区別することができなかった。しかし,大きなクラスタを排除することは,パラメトリック法と比較して真の発見を検出する際に,非パラメトリック法の統計的パワーを有意に減少させた。これは,MRIデータにおける有効な生物学的推論を行うために不可欠な最も真の知見を検出した。これとは対照的に,パラメトリック解析は,ほとんどの真の知見を検出したが,比較的少数の偽陽性を発生させた。平均では,これらの非常に大きなクラスタの1つは,各脳全体の解析において真の所見と考えられる。したがって,クラスタレベルに対する非定常平滑性をモデル化するパラメトリック法の継続的使用,偽陽性の家族性制御,特に2.5以上のクラスタ定義閾値を用いた場合,大きなクラスタに対してさえもこの発見の生物学的妥当性を評価することを推奨した。最終的に,非パラメトリック法は真の陽性所見を検出するために統計的パワーの大きな減少をもたらしたので,非パラメトリック解析が提供する偽陽性所見の中程度の減少は,非パラメトリック技術を用いた以前に発表されたfMRI研究の再解析を保証しないと結論した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 異常値 ,  *クラスタ ,  ノンパラメトリック法 ,  平滑度 ,  *高次元 ,  二次元 ,  一次元 ,  三次元 ,  *統計的推定 ,  誤り率 ,  モデリング ,  仮説検定
準シソーラス用語： パラメトリック法 ,  誤検出 ,  *機能的MRI , 【Automatic Indexing@JST】

著者キーワード (6件)： ランダム場 ,  クラスタレベル推論 ,  順列試験 ,  パラメトリック試験 ,  ファミリーごとの誤り率 ,  Euler特性

分類 (4件)： 人工知能  (JE08000Z) ,  腫ようの診断  (GE03020J) ,  遺伝子の構造と化学  (EC02020U) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (8件)： fMRI ,  データセット ,  クラスタ ,  統計的推論 ,  高次元 ,  ランダム場 ,  予想 ,  挙動