通过加权的p值对异质数据进行损伤-症状映射的错误发现率控制

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物统计学 生物统计学

背景情况:

• 损伤症状映射研究了大脑区域在认知中的作用,使用自然脑损伤患者数据.
• 这些研究中的观察数据经常显示病变分布不均,导致统计测试中的功率异质性.
• 传统的质量单变量测试在病变数据稀少的地区缺乏力量.

研究的目的:

• 提出和评估一种p值权衡方法,用于基于voxel的病变症状映射 (VLSM).
• 解决权力异质性问题,提高VLSM研究中的统计能力.
• 增强与认知缺陷相关的大脑区域的识别.

主要方法:

• 开发了一种使用病变分布和空间信息的p值权重方法.
• 基于损伤数据的假设测试估计的非零先验概率.
• 引入了一种单调的最低重量标准,要求先验最小的功率信息.
• 使用模拟数据的验证方法和中风幸存者的语盲研究.

主要成果:

• 拟议的权重方法证明了可靠的错误控制.
• 这种方法成功地提高了VLSM分析中的统计能力.
• 有效地确定了由于功率低而导致不确定的结果的大脑区域.
• 展示了病变-症状关联的改进识别.

结论:

• P值加权是增强VLSM研究的强大工具.
• 该方法提高了损伤-大脑映射中的统计能力和错误控制.
• 这种方法提供了一种通过更有效地利用病变数据来更好地理解大脑行为关系的方法.