对基于MRI的新样本的参考间隔进行校准

科学领域:

• 神经成像是一种神经成像.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 参考间隔对于解释大脑磁共振成像 (MRI) 发现至关重要.
• 构建参考间隔的现有方法在研究设计,MRI采集和参考和新数据集之间的预处理中存在差异.
• 由于数据异质性,将MRI参考间隔应用于新样本是一个重大挑战.

研究的目的:

• 引入一种新方法,即通过conFormal预测 (ReForm) 进行参考间隔校准,用于调整MRI参考间隔以适应新样本.
• 确保可靠和统计保证覆盖新的观测,使用合规预测原则.
• 通过开发一种不需要共享参考数据的方法来解决患者隐私问题.

主要方法:

• 开发了ReForm,这是一种基于符合性预测的方法,用于校准新样本的参考间隔.
• 在生命周期大脑图表联盟的皮质厚度数据上利用重新采样实验进行验证.
• 将ReForm与重新调整间隔,统计协调和基于模型的调整方法进行比较.

主要成果:

• ReForm有效地调整新样本的参考间隔,保持可靠的覆盖范围.
• 经验结果显示,ReForm控制的虚假阳性率 (FPR) 与需要共享参考数据的方法相比或优越.
• 该方法为校准MRI参考间隔提供了一个保护隐私的替代方案.

结论:

• ReForm提供了一种强大且对隐私有意识的解决方案,用于将脑MRI参考间隔应用于各种数据集.
• 该方法在控制PFR方面表现出强的表现,即使没有访问原始参考数据.
• 为促进ReForm在临床神经成像研究中的使用,提供了实际实施建议和附带的R包.