Core Concepts
神経画像前処理の選択が後続の統計分析に及ぼす影響を定量化し、複数の前処理パイプラインの結果を統合する統計的枠組みを提供する。
Abstract
本研究は、神経画像前処理の選択が後続の統計分析に及ぼす影響を定量化するための感度分析を提案している。
主な内容は以下の通り:
前処理パイプラインの異質性を可視化するための手法を提案した。パイプラインの相関構造を示すヒートマップや、パイプラインごとの推定効果と標準誤差を示すフォレストプロットなどを用いる。
複数のパイプラインの結果を統合する4つの推定量(平均、加重平均、一般化最小二乗推定量、制約付き一般化最小二乗推定量)を提案した。これにより、「全パイプラインで効果なし」や「少なくとも1つのパイプラインで効果なし」といった仮説検定が可能となる。
シミュレーションデータと実際の神経画像データを用いて、提案手法の性能を評価した。シミュレーション結果から、サンプルサイズが小さい場合は制約付き一般化最小二乗推定量が優れ、大きい場合は一般化最小二乗推定量が優れることが示された。実データ分析では、パイプラインの相関構造の違いが推定結果に影響することが明らかになった。
本研究は、神経画像解析における前処理の影響を定量化し、複数のパイプラインの結果を統合的に扱う統計的手法を提供するものである。これにより、再現性の高い神経画像解析が期待できる。
Stats
サンプルサイズが小さい場合(n=10)、一般化最小二乗推定量(GLS)の標準偏差は平均推定量(average)より159%大きかった。
サンプルサイズが大きい場合(n=500)、GLSの標準偏差は平均推定量より12%小さかった。
Quotes
"前処理パイプラインは複雑化・柔軟化してきたが、その柔軟性が研究結果に大きな影響を及ぼす可能性がある。"
"単一のパイプラインを使い、前処理の多様性を無視するアプローチは最適ではない可能性がある。"