MV-ComBat和MV-CovBat:多变量框架,用于共同协调多度神经成像数据

科学领域:

• 神经成像分析分析神经成像分析
• 统计遗传学 统计遗传学
• 生物统计学 生物统计学

背景情况:

• 跨站点和研究的神经成像数据聚合是常见的.
• 与网站和扫描器相关的批量效应可以掩盖生物变异并引入虚假关联.
• 现有的ComBat方法主要是单变量,无法考虑跨多个指标和特征的依赖性.

研究的目的:

• 开发和评估ComBat的多变量扩展,用于协调复杂的神经成像数据.
• 解决中位数,差异和交叉度量/交叉特征共变的批量效应.
• 为了提高生物信号的保存和准确性,在多站点,多度数神经成像研究.

主要方法:

• 提出了MV-ComBat,这是ComBat的多变量扩展,用于共同协调多个指标.
• 使用实证贝叶斯 (EB) 和贝叶斯马尔科夫链蒙特卡洛 (MCMC) 实现了 MV-ComBat.
• 将CovBat扩展为MV-CovBat,用于跨特征和指标的共变性相关批量效应的潜在空间协调.

主要成果:

• MV-ComBat有效地减少了跨多个指标和特征的批量效应.
• EB的实现对测量误差具有强度;MCMC更好地恢复交叉度量相关性.
• MV-CovBat进一步将真正的生物变异与批量效应分开,当独立性假设被侵犯时.
• 模拟显示MV-ComBat比单变量ComBat提高了相关性恢复和信号保存.

结论:

• MV-ComBat和MV-CovBat提供了一个灵活的框架,用于协调复杂的多度数神经成像数据.
• 这些方法对于大规模,多地点神经成像研究的准确分析至关重要.
• 提出的方法提高神经成像发现的可靠性和可解释性.