- General considerations
- Maximalizáljuk a prediktív teljesítményt
- A prediktív teljesítmény értékelése reális körülmények között
- Meggyőződünk arról, hogy az előrejelzést neurális jelek vezérlik és specifikus a fájdalomérzékenységre
- Az eredmények hozzáférhetőségének biztosítása
- Tagadók
- Mérések-funkcionális MRI
- Mérések-QST
- Kiegészítő mérések
- A fájdalomérzékenység kiszámítása
- fMRI előfeldolgozás
- Funkcionális konnektivitás-elemzés
- Prediktív modellképzés és validálás
- Confounder analysis
- A prediktív hálózat vizualizációja
- Szoftver elérhetősége
- Reporting summary
General considerations
A vizsgálat tervét a neuroimaging biomarkerekre50 (neuromarkerek) vonatkozó legújabb ajánlások, követelmények és szabványok gondos figyelembevételével és a következő gondolatok által motiválva állítottuk össze.
Maximalizáljuk a prediktív teljesítményt
A neuromarker optimális érzékenységének biztosítása érdekében szabványosított előfeldolgozó csővezetéket alkalmaztunk, mivel a megfelelő hatásméret minden klinikai hasznosság50 alapfeltétele. Nagy pontosságú képillesztést alkalmaztunk, beépítve az egyéni anatómiát az fMRI idősoros adatok kinyerésekor. Ezenkívül elfogadtuk az artefaktumok csökkentésére vonatkozó legújabb ajánlásokat és protokollokat51 , és optimalizáltuk a munkafolyamatot a konnektom-alapú elemzés speciális igényeinek megfelelően. Saját fejlesztésű, nyílt forráskódú python szoftverkönyvtárunkat használtuk Pipelines Utilising a Modular Inventory (PUMI, https://github.com/spisakt/PUMI), amely a nipype52, egy közösségi Python-projektre épül, amely egységes interfészt biztosít a meglévő neuroimaging szoftverekhez, és részben a C-PAC53 és a niworkflows54 nyílt forráskódú projektek kódját használta újra. Egy prediktív modellezési (gépi tanulási) megközelítést használtunk a nyugalmi állapotú funkcionális agyi hálózatok által nyújtott gazdag adatok kiaknázására és potenciálisan az fMRI hiperacuitás55 kihasználására.
A prediktív teljesítmény értékelése reális körülmények között
Előre regisztrált, külső validációs stratégiát alkalmaztunk, amely szigorúan elválasztotta a modellképzést és a teljesítményértékelést. A modellképzéshez kizárólag az 1. tanulmány adatait használtuk fel. A validáláshoz két független altanulmányt (2. és 3. tanulmány) végeztünk különböző kutatóközpontokban, különböző berendezésekkel és különböző kutatószemélyzettel. A kutatási beállítások liberális összehangolását alkalmaztuk, lehetővé téve az eljárások, berendezések, képalkotó szekvenciák, a résztvevő-kutató kommunikáció nyelve ésszerű heterogenitását a vizsgálati központok között, ésszerű heterogenitást bevezetve a validálási eljárásba az általánosíthatóság biztosítása érdekében.
Meggyőződünk arról, hogy az előrejelzést neurális jelek vezérlik és specifikus a fájdalomérzékenységre
Azért, hogy a fájdalomérzékenység javasolt markerét valóban a fájdalomérzékenységgel kapcsolatos neurális jelek vezérlik, értékeltük az előrejelzett pontszám korrelációját különböző előre meghatározott (és előre regisztrált) zavaró és validáló változókkal.
Az eredmények hozzáférhetőségének biztosítása
Átfogó előzetes regisztrációt alkalmaztunk, és a módszer forráskódját nyílt forráskódúvá és a közösség számára szabadon hozzáférhetővé tettük. Emellett egy platformfüggetlen, könnyen használható docker konténert biztosítunk, amely lehetőséget nyújt arra, hogy prediktív modellünket kutatási termékként50 használjuk, hogy bármilyen megfelelő képalkotó adatkészletből out-of-the-box fájdalomérzékenységi előrejelzést kapjunk.
Tagadók
A három alvizsgálatban összesen N = 116 egészséges, fiatal önkéntes vett részt. A résztvevők életkorát és nemét az 1. kiegészítő táblázat tartalmazza. Az 1. vizsgálatban N1 = 39 résztvevő vett részt (ugyanaz a minta, mint a 8. hivatkozásban). A vizsgálatot a Ruhr University Bochumban (Németország) végezte MZ és TSW, és a fájdalomérzékenység gépi tanuláson alapuló előrejelzésének képzési mintájaként használták, és emellett alapul szolgált az előrejelzés belső validálásához. A 2. és 3. vizsgálatot (N2 = 48, N3 = 29) az Esseni Egyetemi Kórházban (Németország) végezte FS és TS, illetve a Szegedi Egyetemen (Magyarország) BK és TK, és ezek szolgáltak mintaként a külső validáláshoz. A felvételi és kizárási kritériumok mindhárom központban nagyrészt azonosak voltak, és a 3. táblázat tartalmazza őket. A toborzási és költségtérítési politikák központonként eltérőek voltak; a résztvevők az 1. és 2. vizsgálatban 20 €/h-t kaptak, a 3. vizsgálatban pedig nem kaptak költségtérítést.
A fémimplantátum, az eltávolíthatatlan piercing, a békefenntartó, a fej/nyak helyzetben lévő tetoválás, a terhesség vagy az ismert klausztrofóbia ellenjavalltnak számított az MR-méréshez. A résztvevőknek a kísérletek előtt két órával tartózkodniuk kellett a koffeinfogyasztástól (a 3. vizsgálat kivételével), valamint a vizsgálat napján és az azt megelőző napon az alkoholfogyasztástól.
A vizsgálatot a Helsinki Nyilatkozatnak megfelelően végezték, megfelel az emberi résztvevőkkel végzett munkára vonatkozó valamennyi etikai előírásnak, és a helyi vagy nemzeti etikai bizottságok jóváhagyták (nyilvántartási számok: 4974-14, 18-8020-BO és 057617/2015/OTIG a Ruhr Egyetem Bochumban, az Esseni Egyetemi Kórházban, illetve az ETT TUKEB Magyarországon). A vizsgálat előtt minden résztvevő írásbeli beleegyezését adta.
A képalkotást és a kvantitatív szenzoros vizsgálatot (QST) az 1. vizsgálatban ugyanazon a napon, a 2. és 3. vizsgálatban pedig átlagosan 2-3 nap különbséggel végezték el (a részleteket lásd az 1. kiegészítő táblázatban). Az MRI-mérés mindig megelőzte a QST-ülést.
Mérések-funkcionális MRI
Magas felbontású anatómiai és nyitott szemmel végzett nyugalmi fMRI-méréseket végeztek minden résztvevőtől. A szkennelési paraméterek (beleértve a berendezéseket is) központonként eltérőek voltak, és a 4. táblázatban vannak felsorolva. A mérések során a résztvevőket arra utasították, hogy nyugodtan és lazán feküdjenek, anélkül, hogy elaludnának, és kerüljenek minden mozgást. A fejmozgások korlátozására habpárnát, az 1. és 2. vizsgálatban pedig pneumatikus párnákat használtak. Minden anatómiai MRI-mérést átvilágítottunk a véletlen leletek szempontjából.
Mérések-QST
A hő (HPT), hideg (CPT) és mechanikus (MPT) fájdalomküszöböt a QST protokoll28 szerint vettük fel. A meleg (WDT), hideg (CDT) és a 2. és 3. vizsgálatban a mechanikus (MDT) érzékelési küszöbértékeket további kontrollmérésekként szereztük be. Minden szenzoros mérést a bal tenyéri alkaron, a csuklógerinchez proximálisan végeztek. A QST keretében a hőérzékelési küszöbértékeket a határértékek módszerével határozták meg. Ennek érdekében az 1. vizsgálatban növekvő és csökkenő hőmérsékletet alkalmaztunk a bőrre egy MSA hősugárzóval (Somedic, Hörby, Svédország), a 2. és 3. vizsgálatban pedig Pathway hősugárzókkal (Medoc Ltd., Ramat Yishai, Izrael). Minden vizsgálatban 30 × 30 mm-es bőrfelületen, 32 °C-os alaphőmérsékleten használták az ATS hőstimulátort. A résztvevőket arra utasították, hogy gombnyomással jelezzék a fájdalom kezdetét. Minden termikus küszöbérték esetében 6, nem pedig 3 (mint az eredeti protokollban)28 ingerlési ismétlést végeztek, hogy csökkentsék a kísérleti alanyok közötti szórást. Továbbá, az első mérést mint teszt-ingerületet kihagytuk az elemzésből. A HPT-t és a CPT-t az öt fennmaradó küszöbhőmérséklet számtani átlagaként számították ki. Az MPT-ket és MDT-ket lépcsőzetes módszerrel határoztuk meg. Öt növekvő és öt csökkenő tűszúrás-sorozatot (MRC Systems, Heidelberg, Németország) alkalmaztunk a bal tenyéri alkarra váltakozva, miközben a résztvevőt arra utasítottuk, hogy az ingereket minősítse ártalmasnak vagy nem ártalmasnak. A mechanikus észlelési küszöbértéket a von Frey-féle szálas ingerekkel analóg módon vizsgálták. Az MPT-t és az MDT-t az öt emelkedő és ereszkedő lépcsős küszöbfutás során meghatározott erő log-transzformált geometriai átlagaként számították ki.
Kiegészítő mérések
A mérések előtt minden mérés előtt feljegyezték az életkort, a nemet, az önbevallás szerinti magasságot és súlyt, valamint a női résztvevők esetében az utolsó menstruáció első napjának dátumát és a fogamzásgátlók használatát. Emellett az 1. és 2. vizsgálatban az önbevallás szerinti heti alkoholfogyasztást és az iskolai végzettséget (általános iskola, középiskola, egyetem) is rögzítették. A QST előtt a résztvevők kitöltötték a Pain Sensitivity Questionnaire (PSQ)56, a Pain Catastrophizing Scale (PCS)57, a State-Trait Anxiety Inventory (STAI)58, a Depression Scale rövid német változatát (ADS-K, Center for Epidemiologic Studies)59 , valamint a 2. és 3. vizsgálatban a Pittsburgh Sleep Quality Index (PSQI)60 és az észlelt stressz kérdőívet (PSQ20)61. A vizsgálatban a résztvevők az alábbi kérdőíveket töltötték ki. A 2. és 3. vizsgálatban a vérnyomást az MRI és a QST mérések előtt is megmérték. Ezenkívül az 1. minta esetében a T50-értékek az fMRI-vizsgálatot megelőző napon végzett párhuzamos kísérletből álltak rendelkezésre. A T50 azt a hőmérsékletet (°C-ban) jelöli, amely ahhoz szükséges, hogy 50-es hőfájdalom-értékelést váltson ki (egy 0-tól (nincs fájdalom) 100-ig (elviselhetetlen fájdalom) terjedő skálán). A T50 értékeket nemlineáris (másodrendű polinom) interpolációval kaptuk a 15 tónusos hő-fájdalom ingerre (időtartam: 16 s) kapott értékelésekből, 42,5 °C és 48 °C között, pszeudo-randomizált rácsos keresési módban.
A fájdalomérzékenység kiszámítása
A célváltozó az előrejelzéshez az egyéni fájdalomérzékenység egyetlen összetett mértéke volt, amely összefoglalja a HPT, CPT és MPT értékeket a hivatkozásban meghatározottak szerint. 8.
Az 1. vizsgálatban a HPT-t, a CPT-t és az MPT-t Z-transzformálták (átlagot központosították és standardizálták), és a HPT-t, valamint az MPT-t invertálták (-1-gyel szorozták), így a magasabb Z-értékek magasabb fájdalomérzékenységet jelöltek. Ezután a Z-transzformált változók számtani átlagát minden egyes résztvevőre kiszámítottuk, és fájdalomérzékenységi pontszámként határoztuk meg. A 2. és 3. vizsgálatban ugyanezt az eljárást alkalmazták, azzal a különbséggel, hogy a Z-transzformáció az 1. vizsgálat populációs átlagán és szórásán alapult, annak biztosítása érdekében, hogy minden vizsgálatban ugyanazt a skálát használják. A szélsőséges QST-értékeket a 28. hivatkozásban közölt normatív 95%-os percentilisek segítségével határozták meg; a három modalitás közül legalább kettőben szélsőséges HPT-, CPT- vagy MPT-értékeket mutató résztvevőket kizárták. Ez a szűrés 0, 3 és 2 résztvevő kizárását eredményezte az 1., 2. és 3. mintában (2. kiegészítő táblázat).
fMRI előfeldolgozás
Mivel az fMRI-alapú funkcionális kapcsolódás érzékeny a szkenneren belüli mozgásartefaktumokra62,63, a megfelelő előfeldolgozás és jeltisztítás kulcsfontosságú a sikeres kapcsolódásalapú előrejelzéshez. A nyugalmi állapotú funkcionális MRI-adatokat mindhárom vizsgálatban azonos módon dolgozták fel. Az alkalmazott, nipype-alapú munkafolyamatot az 1. kiegészítő ábra mutatja. Harmadik féltől származó neuroimaging-szoftvereket, a C-PAC53 és a niworkflows54 szoftvereszközökből adaptált kódot, valamint saját python rutinokat használtunk.
Az anatómiai és a strukturális képekből történő agyi extrakciót, valamint az anatómiai képekből történő szövetszegmentálást az FSL bet és fast64 segítségével végeztük. Az anatómiai képeket lineárisan és nemlineárisan együttregisztráltuk az 1 mm felbontású MNI152 standard agyi sablonagyra ANTs65 segítségével (a forráskódot lásd https://gist.github.com/spisakt/0caa7ec4bc18d3ed736d3a4e49da7415).
A funkcionális képeket együttregisztráltuk az anatómiai képekkel az FSL flirt határon alapuló regisztrációs technikájával. Minden kapott transzformációt elmentettünk a további felhasználás céljából. A funkcionális képek előfeldolgozása a natív képtérben történt, újramintavételezés nélkül. Az FSL mcflirt segítségével történt az újrarendezésen alapuló mozgáskorrekció. Az így kapott hat fejmozgásbecslést (3 rotáció, 3 transzláció), azok négyzetes változatait, azok derivátumait és a négyzetes derivátumokat (Friston-24-kiterjesztés66 néven) kiszámítottuk és elmentettük a zavaró korrekcióhoz. Ezenkívül a fejmozgást a Power-módszer63 szerint keretenkénti elmozdulás (FD) idősorokként összegeztük, hogy az adatok cenzorálásához és kizárásához használhassuk. A mozgáskorrekciót követően az idősoros adatokban a kiugró értékeket (pl. mozgástüskéket) az AFNI despike67 segítségével csillapítottuk. Az erodált fehéranyag-térképek és kamrai maszkok egyesítését a natív funkcionális térbe transzformáltuk, és a zajjelek kivonására használtuk az anatómiai CompCor-korrekcióhoz68.
Egy zavaró regressziós lépésben 6 CompCor-paramétert (a zajterületi idősor 6 első főkomponensét), a Friston-24 mozgásparamétereket és a lineáris trendet távolítottuk el az idősoros adatokból egy általános lineáris modell segítségével. A maradék adatokon időbeli sávszűrést végeztünk az AFNI 3DBandpass programjával a 0,008-0,08 Hz-es frekvenciasáv megtartása érdekében. Az AFNI despike előzetes használata várhatóan csillapítja a maradék mozgási artefaktumok aliasingját a szomszédos időkeretekbe a sávszűrés során69. A mozgásartefaktumok hatásának további csökkentése érdekében a potenciálisan mozgással szennyezett időkereteket, amelyeket egy konzervatív FD > 0,15 mm-es küszöbértékkel határoztak meg, kihagyták az adatokból (az adatok súrolása néven ismert)70 . A résztvevőket kizárták a további elemzésből, ha az átlagos FD meghaladta a 0,15 mm-t, vagy ha a képkockák több mint 30%-át törölték. Ez 4, 8 és 7 résztvevő kizárását eredményezte az 1., 2. és 3. mintában (2. kiegészítő táblázat). A munkafolyamat során végig minőség-ellenőrzést végeztünk (regisztráció-ellenőrzés, szőnyeg-plotok, lásd pl. a 2-4. kiegészítő ábrákat).
Funkcionális konnektivitás-elemzés
A MIST71 többfelbontású funkcionális agyi atlasz 122 parcellás változatát és az anatómiai képből kapott szürkeállomány-maszkokat a natív funkcionális térbe transzformáltuk. Ez az atlasz (amelyet a BASC-módszerrel, azaz a stabil klaszterek bootstrap-elemzésével építettek fel) a közelmúltban bizonyította, hogy jól teljesít a konnektivitás-alapú prediktív modellezésben72. A natív térbeli atlasz régióit az anatómiai képből nyert és korábban funkcionális térbe transzformált szürkeállomány-maszkokkal maszkolták. Ezzel az atlasz-individualizációs technikával a végső regionális jel minden egyes alany esetében – nagy valószínűséggel – szürkeanyag-voxelekből származik (amit minden alany esetében gondosan, kézzel ellenőriztünk), míg a hagyományos módszerrel a szürke- és fehéranyag-voxelek változó aránya szerepel minden alany esetében. Ezért a szövetszegmentációs folyamatból származó információk bevitele várhatóan csökkenti a kísérleti személyenkénti változékonyságot (példákat lásd az 5. kiegészítő ábrán). A voxel-idősorokat átlagoltuk ezekre az individualizált MIST-régiókra, és az átlagos szürkeanyag-jelekkel együtt megtartottuk a grafikonalapú konnektivitáselemzéshez.
A regionális idősorokat nagyméretű funkcionális modulokba rendeztük (a 7 parcellás MIST atlasz által meghatározott) vizualizációs célokra (1. ábra). A részleges korrelációt az összes régiópáron (és a globális szürkeállományon) számoltuk ki a nilearn73 python modulban implementált módon. A részleges, nem pedig az egyszerű korrelációkat használtuk az indirekt kapcsolódás kizárására74. A gráfmodellezési megközelítésünk biztosította, hogy a globális szürkeállomány jelét zavaró tényezőként kezeljük a parciális korrelációs együtthatók kiszámítása során, de ugyanakkor érdekes jelnek is tekintettük, mivel az éberséggel kapcsolatos folyamatokat képviselhet75. A részleges korrelációs együtthatókat 123 x 123 (122 régió + globális szürkeállomány-jel) szimmetrikus kapcsolódási mátrixba rendeztük. E mátrixok felső háromszögét használtuk a gépi tanuláson alapuló prediktív modellezés jellemzőtereként.
Prediktív modellképzés és validálás
Az 1. tanulmány teljes agyi nyugalmi állapotú funkcionális kapcsolódási adatait (N1 = 35, minden kizárás után, mint a 8. hivatkozásban, 2. kiegészítő táblázat) használtuk a bemeneti jellemzőtérként (P = 7503 jellemző résztvevőnként) az egyéni fájdalomérzékenységi pontszámok előrejelzésére, ami nagy P-kis N beállításhoz vezetett.
Elkészítettünk egy gépi tanulási csővezetéket (https://github.com/spisakt/RPN-signature/blob/master/PAINTeR/model.py) a scikit-learn76-ban, amely robusztus feature-skálázásból (eltávolítja a mediánt és az adatkvantilisekkel skáláz), a feature-ek előzetes kiválasztásából77, a célváltozóval legerősebb kapcsolatot mutató K legjobb feature kiválasztásából és egy Elastic Net regressziós modellből78 (egy lineáris modell kombinált L1 és L2-normákkal, mint regulariser) áll. Az elasztikus háló használata az elemzés előtt hozott döntés volt. Az elasztikus háló választásának fő motivációja az volt, hogy lehetővé teszi a ritkaság optimalizálását (L1 vs. L2 regularizáció) mint hiperparamétert, így nem kellett a priori feltételezéseket tennünk a diszkriminatív alapigazság ritkaságára vonatkozóan (az indoklást lásd 79. hivatkozásban). Összefoglalva, a gépi tanulási csővezeték szabad hiperparaméterei az előre kiválasztott jellemzők száma (K), az L1/L2-regularizáció aránya és a regularizáció súlya (alfa) voltak. A hiperparaméterek optimalizálása rácsos keresési eljárással és negatív átlagos négyzetes hibaértékkel mint költségfüggvénnyel történt. A K értékei 10 és 200 között mozogtak, 5 lépésekkel, és az L1/L2 arányt az alfa esetében is figyelembe vettük. A hiperparaméterek optimalizálását egy “leave-one-participant-out cross-validation” (belső validálási fázis) során végeztük el. A kereszt-hitelesítés a teljes gépi tanulási csővezetéket magában foglalta, hogy elkerülje a képzési és tesztminták közötti függőségek bevezetését. Megjegyzendő, hogy az fMRI előfeldolgozás független volt az egyes alanyok között, így nem szerepelt a kereszt-validálásban. Az optimális hiperparaméterek a következők voltak: K = 25, L1/L2-arány = 0,999 és alfa = 0,005.
A külső validálás úgy történt, hogy az RPN-aláírást a 2. és 3. vizsgálat fMRI-adataira (N2 = 37, N3 = 19, kizárások után, 2. kiegészítő táblázat) alkalmaztuk, egyszerűen az 1. mintán kapott jellemző-transzformáció (skálázás) alkalmazásával, majd az egyes konnektivitási mátrixok és az 1. mintán kapott nem nulla jellemzősúlyok közötti pontszorzat kiszámításával. Az így kapott előrejelzéseket összehasonlítottuk a megfigyelt QST-alapú fájdalomérzékenységi pontszámokkal az átlagos abszolút hiba (MAE), az átlagos négyzetes hiba (MSE) és a magyarázott variancia kiszámításával. Permutáció-alapú p-értékeket kaptunk mindhárom mérőszámra az mlxtend python csomag segítségével. Ezenkívül bootstrappinget alkalmaztunk feltételes lefedettséggel80 , hogy p-értékeket adjunk a prediktív kapcsolati súlyokhoz az értelmezés megkönnyítése érdekében. Az eredeti mintával megegyező méretű, párosított agyi és kimeneti adatokból álló 10000 bootstrap-mintát konstruáltunk (cserével). Az optimális hiperparaméterekkel rendelkező prediktív modellt minden egyes mintára illesztettük. A nem korrigált P-értékeket minden egyes kiválasztott kapcsolatra kiszámítottuk a nulla alatti vagy feletti súlyok aránya alapján, mint pl. a ref. 30. Megjegyzendő, hogy ezeknek a p-értékeknek és konfidenciaintervallumoknak (4. kiegészítő táblázat) az értelmezése korlátozott marad, mivel a jellemző-kiválasztási eljárástól függnek.
Confounder analysis
A lehetséges zavaró változók feltárása érdekében a megjósolt fájdalomérzékenységi pontszámokat (vagy az 1. minta esetében a keresztvalidált előrejelzéseket) szembeállítottuk az átlagos és medián FD-vel, a súrolt térfogatok százalékos arányával, a szisztolés és diasztolés vérnyomással mind az MRI-, mind a QST-mérés előtt (mivel a vérnyomásról korábban azt jelentették81 , hogy összefügg a mechanikus fájdalomérzékenységgel), az MRI- és a QST-vizsgálat közötti időeltolódás (az előrejelzés időbeli stabilitásának tesztelésére), életkor, nem, BMI, az utolsó menstruáció első napja óta eltelt napok száma, alkoholfogyasztás (egység/hét), iskolai végzettség, állapot- és tulajdonságszorongás (STAI), a depressziós tünetek pontszáma (ADS-K), az önbevallás szerinti fájdalomérzékenység (PSQ) és fájdalomkatasztrofizálás (PCS), az észlelt stressz (PSQ20), az alvás minősége (PSQI), valamint a nem toxikus QST észlelési küszöbértékek (CDT, WDT és MDT, amennyiben rendelkezésre áll). Ezenkívül az 1. vizsgálatban az előrejelzéseket összehasonlították a T50-értékekkel és az MR-spektroszkópián alapuló GABA- és glutamát/Glutamin-szintekkel a fájdalmat feldolgozó agyi régiókban (a részleteket lásd a 8. hivatkozásban). Az összefüggéseket permutáció-alapú lineáris modellekkel teszteltük.
A prediktív hálózat vizualizációja
Az RPN-jelzés nem nulla regressziós együtthatói által kiemelt prediktív interregionális kapcsolatokat az R-package circlize segítségével ribbon plot formájában ábrázoltuk (3. ábra). A megfelelő individualizált agyi régiómaszkokat visszatranszformáltuk standard térbe, hogy létrehozzunk egy vizsgálat-specifikus regionális valószínűségi térképet (amely tükrözi a ko-regisztrációs pontosságot és a morfológia egyéni variabilitását). A valószínűségi térképeket megszoroztuk a megfelelő regressziós együtthatók összegével, hogy létrehozzuk a regionális prediktív erősségtérképet, amelyet ezután az FSLeyes és az MRIcroGL segítségével vizualizáltunk.
(https://www.mccauslandcenter.sc.edu/mricrogl) (3. ábra). A nagyléptékű nyugalmi állapotú hálózati érintettség elemzését (a MIST71 agyi atlasz által meghatározottak szerint) a voxelértékek összegzésével és Z-transzformálásával végeztük el a hét érdekes régióban. A poláris ábrázolás a ggplot2 R-csomaggal készült.
Szoftver elérhetősége
Az RPN-szignatúra pontszámok strukturális és nyugalmi állapotú funkcionális adatkészletek alapján az azonos nevű szoftvereszközzel számolhatók ki. Az RPN-signature szoftvereszköz a leírt MRI-feldolgozó csővezetékből és a funkcionális konnektom alapú prediktív modellből áll. Forráskódként a https://github.com/spisakt/RPN-signature címen érhető el. Mivel a szoftver követi a Brain Imaging Data Structure (BIDS)82 és a BIDS-App specifikációt, szabványos parancssori felületet biztosít, és Docker-technológiára támaszkodik. A docker image a Docker Hubon van letétbe helyezve: (https://cloud.docker.com/repository/docker/tspisak/rpn-signature), és nem függ semmilyen, a konténerképen kívüli szoftvertől. Ez a teljesen átlátható, folyamatos integráción alapuló fejlesztéssel és az automatikus címkézéssel és verziókezeléssel együtt javítja a szoftver elérhetőségét és támogatja az RPN-jelzéses eredmények reprodukálhatóságát.
Reporting summary
A kutatás tervezéséről további információk a cikkhez kapcsolódó Nature Research Reporting Summary-ban találhatók.