主要成分分析作为一种有效的方法来捕获复杂疾病的多变量大脑特征 - - 双相情感障碍和肥胖症患者的ENIGMA研究

科学领域:

• 神经成像和计算精神病学
• 使用多变量统计技术分析复杂的神经精神疾病.

背景情况:

• 复杂的神经精神疾病涉及分布式大脑网络,而不是单个区域.
• 多变量技术更适合分析这些复杂的网络变化.

研究的目的:

• 应用主要组件分析 (PCA) 来识别双相情感障碍 (BD) 中的大脑网络共变的模式.
• 将这些PCA衍生的模式与临床和人口学变量联系起来.
• 将PCA与集群方法进行比较,以捕获大脑临床关联.

主要方法:

• 利用了来自ENIGMA-BD工作组的2436名参与者 (BD和对照) 的T1加权结构MRI数据.
• 应用于皮层厚度和表面积测量的PCA.
• 使用混合回归模型检查主要成分和临床/人口学变量之间的关联;与聚类分析进行比较,并在复制样本中验证.

主要成果:

• 主要主要成分,反映广泛的皮层厚度,与BD诊断,BMI,抗精神病药物使用和年龄有负相关性,与治疗有正相关性.
• 与聚类相比,PCA在预测诊断和BMI方面表现出更好的适合性.
• 复制样本分析证实了对照组和患有BD或精神分裂症的人之间PCA识别的皮质厚度网络的显著差异.

结论:

• PCA有效地识别了与BD和相关疾病中的临床和人口学变量相关的广泛的大脑网络模式.
• 与聚类相比,PCA提供了一种优越的,可解释的方法来研究大脑结构和系统级变量之间的多变量关联.
• 这些发现表明,临床因素和分布式大脑网络之间存在复杂的相互作用,挑战了一对一映射假设.