经过实验性TBI后协调多站点神经成像数据来改进损伤检测:神经创伤的一个转化结果项目 (TOP-NT) 联盟研究研究

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 生物统计学 生物统计学

背景情况:

• 多部位神经成像研究对于增加样本大小和研究中枢神经系统 (CNS) 疾病的可重复性至关重要.
• 像NeuroCombat这样的数据协调技术旨在减轻特定地点的技术变异,同时保持生物群体的差异.
• 在中枢神经系统疾病的临床前模型中提高统计能力的NeuroCombat的疗效仍在研究中.

研究的目的:

• 评估NeuroCombat数据协调在创伤性脑损伤 (TBI) 临床前模型中的统计能力的影响.
• 在多站点研究中常见的数据异常值和偏差存在时评估NeuroCombat的性能.

主要方法:

• 从 184 个成年大鼠的扩散权重成像中获得的分数异构性 (FA) 数据的分析,分别在 4 个位点,在 3 和 30 天后控制的皮质冲击损伤后进行了扩散权重成像.
• 在识别和删除具有高数据偏的异常站点后,应用NeuroCombat协调.
• 统计能力和效果大小在协调之前和之后的比较,使用单变量和voxel级别的分析.

主要成果:

• 在数据中,NeuroCombat未能删除>5%的异常值和斜率的位置效应,从而引入了变化.
• 在移除异常值并与全球假人口协调之后,在现有群体效应的数据中,效应大小显著增加 (p<0.01).
• 协调导致了更相似的声音测量分布 (科尔莫戈罗夫-斯米尔诺夫p<<0.001到>0.01) 并增加了ipsilateral皮质的统计能力.
• 通过减少混,改善了受损地区的检测.

结论:

• 当适当地应用时,NeuroCombat可以提高多站点神经成像研究中的统计能力和研究结果的可靠性,特别是在解决数据质量问题 (如异常值) 之后.
• 这种协调方法有助于区分真正的生物效应和技术场所变化,提高临床前TBI研究的可重复性.
• 这些发现支持NeuroCombat的实用性,用于在大型神经成像联盟中准确地揭示生物差异.