- Uwagi ogólne
- Maksymalizacja wydajności predykcyjnej
- Ocena mocy predykcyjnej w realistycznych warunkach
- Pewność, że przewidywanie jest napędzane przez sygnał neuronalny i jest specyficzne dla wrażliwości na ból
- Zapewnienie dostępności wyników
- Uczestnicy
- Pomiary – funkcjonalny MRI
- Pomiary-QST
- Dodatkowe miary
- Obliczanie wrażliwości na ból
- przetwarzanie wstępne fMRI
- Analiza połączeń funkcjonalnych
- Trenowanie modelu predykcyjnego i walidacja
- Analiza czynników zakłócających
- Wizualizacja sieci predykcyjnej
- Dostępność oprogramowania
- Podsumowanie raportu
Uwagi ogólne
Projekt badania został ustalony z uważnym uwzględnieniem ostatnich zaleceń, wymagań i standardów dla biomarkerów neuroobrazowania50 (neuromarkerów) i motywowany następującymi myślami.
Maksymalizacja wydajności predykcyjnej
Zastosowaliśmy standaryzowany proces wstępnego przetwarzania, aby zapewnić optymalną czułość neuromarkera, ponieważ wystarczająca wielkość efektu jest podstawowym wymogiem każdej użyteczności klinicznej50. Zastosowaliśmy bardzo precyzyjne wyrównanie obrazów, uwzględniając indywidualną anatomię podczas ekstrakcji danych z serii czasowych fMRI. Ponadto, przyjęliśmy ostatnie zalecenia i protokoły51 dotyczące redukcji artefaktów i zoptymalizowaliśmy nasz przepływ pracy, aby sprostać specjalnym potrzebom analizy opartej na połączeniach. Wykorzystaliśmy naszą wewnętrzną, otwartą bibliotekę oprogramowania Python Pipelines Utilising a Modular Inventory (PUMI, https://github.com/spisakt/PUMI), która jest oparta na nipype52, społecznościowym projekcie Pythona zapewniającym jednolity interfejs do istniejącego oprogramowania neuroobrazowania i częściowo ponownie wykorzystała kod z projektów open-source C-PAC53 i niworkflows54. Zastosowano podejście modelowania predykcyjnego (uczenia maszynowego) w celu wykorzystania bogatych danych dostarczanych przez sieci funkcjonalne mózgu w stanie spoczynku oraz, potencjalnie, skorzystania z hiperakuzyjności fMRI55.
Ocena mocy predykcyjnej w realistycznych warunkach
Wykorzystaliśmy wstępnie zarejestrowaną, zewnętrzną strategię walidacji, która ściśle oddzielała szkolenie modelu i ocenę wydajności. Do szkolenia modelu wykorzystaliśmy wyłącznie dane z badania 1. Przeprowadziliśmy dwa niezależne badania cząstkowe (Badania 2 i 3) w różnych ośrodkach badawczych, z różnym wyposażeniem i różnym personelem badawczym w celu walidacji. Zastosowaliśmy liberalne dopasowanie ustawień badawczych, pozwalając na rozsądną heterogeniczność procedur, sprzętu, sekwencji obrazowania, języka komunikacji uczestnik-badacz w ośrodkach badawczych, wprowadzając rozsądną heterogeniczność w procedurze walidacji w celu zapewnienia uogólnienia.
Pewność, że przewidywanie jest napędzane przez sygnał neuronalny i jest specyficzne dla wrażliwości na ból
Aby zapewnić, że proponowany marker wrażliwości na ból jest rzeczywiście napędzany przez sygnały neuronalne związane z wrażliwością na ból, oceniliśmy korelację przewidywanego wyniku z różnymi wstępnie zdefiniowanymi (i wstępnie zarejestrowanymi) zmiennymi zakłócającymi i walidującymi.
Zapewnienie dostępności wyników
Zastosowaliśmy kompleksową rejestrację wstępną i udostępniliśmy kod źródłowy metody jako open-source i swobodnie dostępny dla społeczności. Co więcej, udostępniliśmy niezależny od platformy, łatwy w użyciu kontener docker, który zapewnia możliwość wykorzystania naszego modelu predykcyjnego jako produktu badawczego50, w celu uzyskania predykcji wrażliwości na ból out-of-the box z dowolnego odpowiedniego zestawu danych obrazowych.
Uczestnicy
W sumie N = 116 zdrowych, młodych ochotników było zaangażowanych w trzy badania cząstkowe. Wiek i płeć uczestników przedstawiono w tabeli 1 w Suplemencie. Badanie 1 obejmowało N1 = 39 uczestników (ta sama próba co w ref. 8). Zostało ono przeprowadzone na Ruhr University Bochum (Niemcy) przez MZ i TSW i użyte jako próba treningowa do opartej na uczeniu maszynowym predykcji wrażliwości na ból oraz dodatkowo służyło jako podstawa do wewnętrznej walidacji predykcji. Badania 2 i 3 (N2 = 48, N3 = 29) zostały przeprowadzone w Szpitalu Uniwersyteckim w Essen (Niemcy) przez FS i TS oraz na Uniwersytecie w Szeged (Węgry) przez BK i TK, odpowiednio, i posłużyły jako próbki do walidacji zewnętrznej. Kryteria włączenia i wyłączenia były w dużej mierze identyczne we wszystkich trzech ośrodkach i są wymienione w Tabeli 3. Zasady rekrutacji i zwrotu kosztów różniły się w poszczególnych ośrodkach; uczestnicy otrzymali 20 €/h w badaniach 1 i 2 oraz brak zwrotu kosztów w badaniu 3.
Metalowe implanty, nieusuwalny piercing, peacemaker, tatuaż w pozycji głowa/szyja, ciąża lub znana klaustrofobia zostały uznane za przeciwwskazania do pomiaru MR. Od uczestników wymagano powstrzymania się od spożywania kofeiny na dwie godziny przed eksperymentami (z wyjątkiem badania 3) oraz od spożywania alkoholu w dniu badania i w dniu poprzednim.
Badanie zostało przeprowadzone zgodnie z Deklaracją Helsińską, jest zgodne ze wszystkimi odpowiednimi przepisami etycznymi dotyczącymi pracy z uczestnikami ludzkimi i zostało zatwierdzone przez lokalne lub krajowe komisje etyczne (numery rejestrów: 4974-14, 18-8020-BO i 057617/2015/OTIG odpowiednio w Ruhr University Bochum, University Hospital Essen i ETT TUKEB Węgry). Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed badaniem.
Obrazowanie i ilościowe badanie czucia (QST) wykonano tego samego dnia w badaniu 1 i średnio w odstępie 2-3 dni w badaniach 2 i 3 (szczegóły w tabeli uzupełniającej 1). Pomiar MRI zawsze poprzedzał sesję QST.
Pomiary – funkcjonalny MRI
Wysokiej rozdzielczości pomiary anatomiczne i pomiary fMRI w stanie spoczynku przy otwartym oku uzyskano od wszystkich uczestników. Parametry skanowania (w tym sprzęt) różniły się w poszczególnych ośrodkach i są wymienione w Tabeli 4. Podczas pomiarów uczestnicy zostali poinstruowani, aby leżeć nieruchomo i zrelaksowani, bez zasypiania, i unikać jakiegokolwiek ruchu. W celu ograniczenia ruchów głowy stosowano wyściółkę piankową, a w badaniach 1 i 2 poduszki pneumatyczne. Wszystkie anatomiczne pomiary MRI zostały sprawdzone pod kątem przypadkowych wyników.
Pomiary-QST
Próg bólu ciepłego (HPT), zimnego (CPT) i mechanicznego (MPT) uzyskano zgodnie z protokołem QST28. Progi ciepła (WDT), zimna (CDT) oraz w badaniu 2 i badaniu 3 progi detekcji mechanicznej (MDT) uzyskano jako dodatkowe środki kontrolne. Wszystkie pomiary sensoryczne wykonywano na dłoniowej powierzchni lewego przedramienia, proksymalnie do grzebienia nadgarstka. W ramach QST, progi termiczne są określane za pomocą metody limitów. W tym celu, rosnące i malejące temperatury aplikowano na skórę za pomocą termostymulatora MSA (Somedic, Hörby, Szwecja) w badaniu 1 oraz termostymulatorów Pathway (Medoc Ltd., Ramat Yishai, Izrael) w badaniach 2 i 3. We wszystkich badaniach stosowano termody ATS na powierzchni skóry o wymiarach 30 × 30 mm, przy temperaturze wyjściowej 32 °C. Uczestnicy zostali poinstruowani, aby wskazywać początek bólu przez naciśnięcie przycisku. Dla wszystkich progów termicznych 6, a nie 3 (jak w oryginalnym protokole)28, wykonano powtórzenia bodźców w celu zmniejszenia wariancji międzyprzedmiotowej. Ponadto, pierwszy pomiar został odrzucony z analizy jako bodziec testowy. HPT i CPT obliczano jako średnie arytmetyczne z pięciu pozostałych temperatur progowych. MPT i MDT wyznaczano metodą schodkową. Pięć rosnących i pięć malejących serii bodźców typu „pinprick” (MRC Systems, Heidelberg, Niemcy) aplikowano na przedramię lewego przedramienia w sposób naprzemienny, podczas gdy uczestnik był instruowany, aby zaklasyfikować bodźce jako nieprzyjemne lub nieprzyjemne. Próg detekcji mechanicznej oceniano analogicznie jak w przypadku stymulacji włóknami von Freya. MPT i MDT obliczono jako log-transformowaną średnią geometryczną siłę wyznaczoną w pięciu wznoszących i opadających biegach progowych po schodach.
Dodatkowe miary
Przed wszystkimi pomiarami rejestrowano wiek, płeć, deklarowany wzrost, wagę oraz, w przypadku kobiet uczestników, datę pierwszego dnia ostatniej miesiączki i stosowanie środków antykoncepcyjnych. Dodatkowo, w badaniach 1 i 2 rejestrowano deklarowane tygodniowe spożycie alkoholu oraz poziom wykształcenia (szkoła podstawowa, szkoła średnia, uniwersytet). Przed QST uczestnicy wypełniali Kwestionariusz Wrażliwości na Ból (PSQ)56, Skalę Katastrofizowania Bólu (PCS)57, Inwentarz Stanu i Cechy Lęku (STAI)58, krótką niemiecką wersję Skali Depresji (ADS-K, Centrum Badań Epidemiologicznych)59 oraz, dodatkowo w badaniach 2 i 3, Pittsburgh Sleep Quality Index (PSQI)60 i kwestionariusz odczuwanego stresu (PSQ20)61. W badaniach 2 i 3 ciśnienie tętnicze mierzono zarówno przed badaniem MRI, jak i pomiarami QST. Ponadto, w przypadku próby 1, wartości T50 były dostępne z równoległego eksperymentu przeprowadzonego w dniu poprzedzającym badanie fMRI. T50 reprezentuje temperaturę (w °C) niezbędną do wywołania oceny bólu spowodowanego ciepłem na poziomie 50 (w skali od 0, brak bólu do 100, ból nie do zniesienia). Wartości T50 zostały uzyskane z nieliniowej (wielomian drugiego rzędu) interpolacji ocen uzyskanych w odpowiedzi na 15 tonicznych bodźców cieplno-bólowych (czas trwania: 16 s) w zakresie od 42,5 °C do 48 °C, przedstawionych w pseudolosowy sposób w siatce.
Obliczanie wrażliwości na ból
Zmienną docelową dla predykcji była pojedyncza złożona miara indywidualnej wrażliwości na ból podsumowująca HPT, CPT i MPT, jak zdefiniowano w ref. 8.
W badaniu 1, HPT, CPT i MPT zostały przekształcone w Z (średnia wyśrodkowana i znormalizowana), a HPT, jak również MPT zostały odwrócone (pomnożone przez -1), tak że wyższe wartości Z oznaczały wyższą wrażliwość na ból. Następnie dla każdego uczestnika obliczano średnią arytmetyczną zmiennych przekształconych w Z i określano ją jako wynik wrażliwości na ból. W badaniach 2 i 3 zastosowano tę samą procedurę, z tą różnicą, że transformacja Z była oparta na średniej populacji i odchyleniu standardowym z badania 1, aby zapewnić, że ta sama skala była używana we wszystkich badaniach. Skrajne wartości QST zostały zdefiniowane przy użyciu normatywnych 95% percentyli podanych w ref. 28; uczestnicy wykazujący skrajne wartości HPT, CPT lub MPT w co najmniej dwóch z trzech modalności zostali wykluczeni. To przesiewanie doprowadziło do wykluczenia 0, 3 i 2 uczestników w próbach 1, 2 i 3, odpowiednio (Tabela uzupełniająca 2).
przetwarzanie wstępne fMRI
As fMRI-based functional connectivity is susceptible to in-scanner motion artefacts62,63, appropriate preprocessing and signal cleaning is key to successful connectivity-based prediction. Dane funkcjonalnego MRI w stanie spoczynku były przetwarzane identycznie we wszystkich trzech badaniach. Zastosowany, oparty na nipype przepływ pracy jest przedstawiony na Rys. 1. Wykorzystano w nim oprogramowanie do neuroobrazowania innych firm, kod zaadaptowany z narzędzi programowych C-PAC53 i niworkflows54 oraz własne procedury Pythona.
Eksplorację mózgu zarówno z obrazów anatomicznych, jak i strukturalnych, a także segmentację tkanek z obrazów anatomicznych przeprowadzono za pomocą FSL bet i fast64. Obrazy anatomiczne były liniowo i nieliniowo współregistrowane do standardowego wzorca mózgu MNI152 o rozdzielczości 1 mm za pomocą ANTs65 (patrz https://gist.github.com/spisakt/0caa7ec4bc18d3ed736d3a4e49da7415 dla kodu źródłowego).
Obrazy funkcjonalne były współregistrowane do obrazów anatomicznych za pomocą techniki rejestracji opartej na granicach FSL flirt. Wszystkie wynikowe transformacje zostały zapisane do dalszego wykorzystania. Wstępne przetwarzanie obrazów funkcjonalnych odbywało się w natywnej przestrzeni obrazu, bez resamplingu. Korekcję ruchu opartą na wyrównaniu (realignment-based motion-correction) przeprowadzono za pomocą FSL mcflirt. Wynikowe sześć oszacowań ruchu głowy (3 rotacje, 3 translacje), ich kwadratowe wersje, ich pochodne i kwadratowe pochodne (znane jako Friston-24-expansion66) zostały obliczone i zapisane do korekcji uciążliwości. Dodatkowo, ruch głowy podsumowywano jako szeregi czasowe przemieszczenia (framewise displacement – FD), zgodnie z metodą Powera63, do wykorzystania w cenzurowaniu i wykluczaniu danych. Po korekcji ruchu, wartości odstające (np. spajki ruchu) w szeregach czasowych były tłumione przy użyciu AFNI despike67. Unia erodowanych map białej materii i masek komór została przekształcona do natywnej przestrzeni funkcjonalnej i użyta do wyodrębnienia sygnału szumu do anatomicznej korekcji CompCor68.
W etapie regresji uciążliwości, 6 parametrów CompCor (6 pierwszych głównych składowych szeregu czasowego regionu szumu), parametry ruchu Friston-24 i trend liniowy zostały usunięte z danych szeregu czasowego za pomocą ogólnego modelu liniowego. Na danych resztkowych przeprowadzono czasową filtrację pasmową za pomocą AFNI 3DBandpass, aby zachować pasmo częstotliwości 0,008-0,08 Hz. Oczekuje się, że wcześniejsze zastosowanie AFNI’s despike złagodzi aliasing resztkowych artefaktów ruchowych w sąsiednich przedziałach czasowych podczas filtrowania pasmowego69. Aby jeszcze bardziej złagodzić wpływ artefaktów ruchowych, potencjalnie zanieczyszczone ruchem ramki czasowe, zdefiniowane przez konserwatywny próg FD > 0,15 mm, zostały usunięte z danych (znane jako oczyszczanie danych)70. Uczestnicy byli wykluczani z dalszej analizy, jeśli średnia FD przekraczała 0,15 mm lub gdy więcej niż 30% ramek zostało usuniętych. Spowodowało to wykluczenie 4, 8 i 7 uczestników w próbach 1, 2 i 3, odpowiednio (Tabela uzupełniająca 2). Kontrola jakości (rejestracja-check, carpet-plots, patrz np. Supplementary Figs. 2-4) była wykonywana przez cały czas trwania pracy.
Analiza połączeń funkcjonalnych
Wersja 122-parcelowa wielorozdzielczego funkcjonalnego atlasu mózgu MIST71 i maski istoty szarej uzyskane z obrazu anatomicznego zostały przekształcone do natywnej przestrzeni funkcjonalnej. Atlas ten (skonstruowany za pomocą metody BASC, tj. analizy bootstrapowej stabilnych klastrów) został niedawno wykazany jako dobrze sprawdzający się w modelowaniu predykcyjnym opartym na łączności72. Regiony atlasu natywnej przestrzeni zostały zamaskowane maskami szarości, które uzyskano z obrazu anatomicznego i przekształcono wcześniej do przestrzeni funkcjonalnej. Dzięki tej technice indywidualizacji atlasu, ostateczny sygnał regionalny będzie pochodził – z dużym prawdopodobieństwem – z wokseli istoty szarej dla każdego uczestnika (co starannie sprawdziliśmy ręcznie dla wszystkich uczestników), podczas gdy w przypadku metody konwencjonalnej, zmienny stosunek wokseli istoty szarej i białej jest uwzględniany dla każdego uczestnika. Dlatego też oczekuje się, że wprowadzenie informacji z procesu segmentacji tkanek zmniejszy zmienność pomiędzy poszczególnymi uczestnikami (patrz Uzupełniające Rys. 5 dla przykładów). Szeregi czasowe wokseli zostały uśrednione dla tych zindywidualizowanych regionów MIST i, wraz ze średnim sygnałem szarości, zachowane do graficznej analizy łączności.
Regionalne szeregi czasowe zostały uporządkowane w wielkoskalowe moduły funkcjonalne (zdefiniowane przez 7-parcelowy atlas MIST) do celów wizualizacji (ryc. 1). Korelacja cząstkowa została obliczona dla wszystkich par regionów (i globalnej istoty szarej), jak zaimplementowano w module python nilearn73. Częściowe, a nie proste korelacje zostały użyte w celu wykluczenia pośredniej łączności74. Nasze podejście do modelowania grafów zapewniło, że sygnał globalnej istoty szarej jest traktowany jako czynnik zakłócający podczas obliczania współczynników korelacji cząstkowej, ale jednocześnie uznano go za sygnał zainteresowania, ponieważ może reprezentować procesy związane z czuwaniem75. Współczynniki korelacji cząstkowej zostały uporządkowane do symetrycznych macierzy łączności 123 na 123 (122 regiony + globalny sygnał szarej materii). Górny trójkąt tych macierzy został użyty jako przestrzeń cech dla modelowania predykcyjnego opartego na uczeniu maszynowym.
Trenowanie modelu predykcyjnego i walidacja
Dane dotyczące łączności funkcjonalnej w stanie spoczynku całego mózgu z badania 1 (N1 = 35, po wszystkich wykluczeniach, jak w ref. 8, Tabela uzupełniająca 2) zostały użyte jako wejściowa przestrzeń cech (P = 7503 cechy na uczestnika), aby przewidzieć indywidualne wyniki wrażliwości na ból, co prowadzi do ustawienia dużego P-małego N.
Zbudowaliśmy potok uczenia maszynowego (https://github.com/spisakt/RPN-signature/blob/master/PAINTeR/model.py) w scikit-learn76, składający się z solidnego skalowania cech (usuwa medianę i skaluje z kwantylami danych), wstępnej selekcji cech77, wyboru K najlepszych cech z najsilniejszymi związkami ze zmienną docelową i modelu regresji Elastic Net78 (model liniowy z połączonymi normami L1 i L2 jako regularyzatorem). Zastosowanie siatki elastycznej było decyzją podjętą przed przystąpieniem do analizy. Naszą główną motywacją do wyboru elastycznej sieci było to, że pozwala ona na optymalizację rozproszenia (L1 vs. L2 regularyzacja) jako hiperparametru, dzięki czemu nie musieliśmy przyjmować żadnych a-priorytywnych założeń o rozproszeniu dyskryminacyjnej prawdy podstawowej (patrz uzasadnienie w ref. 79). Podsumowując, wolnymi hiperparametrami potoku uczenia maszynowego były: liczba wstępnie wybranych cech (K), stosunek L1/L2-regularyzacji oraz waga (alfa) regularyzacji. Hiperparametry optymalizowano za pomocą procedury grid-search i ujemnego błędu średniokwadratowego jako funkcji kosztu. Wartości dla K wahały się od 10 do 200 z przyrostem co 5, a także uwzględniały stosunek L1/L2 dla alfa. Optymalizacja hiperparametrów została przeprowadzona w ramach walidacji krzyżowej typu leave-one-participant-out (faza walidacji wewnętrznej). Walidacja krzyżowa obejmowała cały potok uczenia maszynowego, aby uniknąć wprowadzenia zależności pomiędzy próbkami treningowymi i testowymi. Należy zauważyć, że wstępne przetwarzanie fMRI było niezależne pomiędzy badanymi, a zatem nie zostało uwzględnione w walidacji krzyżowej. Optymalnymi hiperparametrami okazały się K = 25, L1/L2-ratio = 0,999 i alfa = 0,005.
Walidację zewnętrzną przeprowadzono poprzez zastosowanie sygnatury RPN na danych fMRI z badań 2 i 3 (N2 = 37, N3 = 19, po wykluczeniach, Tabela uzupełniająca 2), po prostu stosując transformację cech (skalowanie) uzyskaną na próbce 1, a następnie obliczając iloczyn punktowy pomiędzy indywidualnymi macierzami łączności i niezerowymi wagami cech uzyskanymi w próbce 1. Otrzymane przewidywania porównano z obserwowanymi wynikami wrażliwości na ból na podstawie QST poprzez obliczenie średniego błędu bezwzględnego (MAE), średniego błędu kwadratowego (MSE) i wyjaśnionej wariancji. Dla wszystkich trzech miar uzyskano p-wartości oparte na permutacji, używając pakietu python mlxtend. Ponadto zastosowano bootstrapping z pokryciem warunkowym80 , aby uzyskać wartości p dla predykcyjnych wag łączności w celu ułatwienia interpretacji. Skonstruowaliśmy 10000 próbek bootstrapowych (z zastąpieniem), o wielkości równej oryginalnej próbce, składających się ze sparowanych danych dotyczących mózgu i wyniku. Model predykcyjny z optymalnymi hiperparametrami został dopasowany do każdej próbki. Nieskorygowane wartości P zostały obliczone dla każdego wybranego połączenia na podstawie proporcji wag poniżej lub powyżej zera, jak np. w ref. 30. Należy zauważyć, że interpretacja tych wartości p i przedziałów ufności (Tabela uzupełniająca 4) pozostaje ograniczona, ponieważ są one uwarunkowane procedurą selekcji cech.
Analiza czynników zakłócających
Aby zbadać potencjalne zmienne zakłócające, przewidywane wyniki wrażliwości na ból (lub przewidywania poddane walidacji krzyżowej w przypadku próby 1) zostały zestawione ze średnią i medianą FD, odsetkiem objętości poddanych skrobaniu, skurczowym i rozkurczowym ciśnieniem krwi zarówno przed pomiarem MRI, jak i QST (ponieważ ciśnienie krwi było wcześniej zgłaszane81 jako związane z wrażliwością na ból mechaniczny), opóźnienie czasowe pomiędzy badaniem MRI i QST (w celu sprawdzenia stabilności czasowej predykcji), wiek, płeć, BMI, liczba dni od pierwszego dnia ostatniej miesiączki, spożycie alkoholu (jednostki/tydzień), poziom wykształcenia, lęk stanowy i cechowy (STAI), punktację objawów depresji (ADS-K), samoopisową wrażliwość na ból (PSQ) i katastrofizację bólu (PCS), odczuwany stres (PSQ20), jakość snu (PSQI) oraz progi detekcji nieuciążliwych QST (CDT, WDT i MDT, jeśli były dostępne). Ponadto, w badaniu 1 przewidywania porównywano z wartościami T50 i opartymi na spektroskopii MR poziomami GABA i Glutaminianu/Glutaminy w regionach mózgu przetwarzających ból (szczegóły patrz ref. 8). Powiązania testowano za pomocą modeli liniowych opartych na permutacji.
Wizualizacja sieci predykcyjnej
Predykcyjne połączenia międzyregionalne podkreślone przez niezerowe współczynniki regresji sygnatury RPN zostały wyświetlone jako wykres wstęgowy przy użyciu pakietu R circlize (ryc. 3). Odpowiednie zindywidualizowane maski regionów mózgu zostały przekształcone z powrotem do przestrzeni standardowej w celu utworzenia specyficznej dla badania regionalnej mapy prawdopodobieństwa (odzwierciedlającej dokładność współrejestracji i indywidualną zmienność morfologii). Mapy prawdopodobieństwa zostały pomnożone przez sumę odpowiednich współczynników regresji, aby utworzyć regionalną mapę siły predykcyjnej, która została następnie zwizualizowana za pomocą FSLeyes i MRIcroGL.
(https://www.mccauslandcenter.sc.edu/mricrogl) (ryc. 3). Analizę zaangażowania sieci w stanie spoczynku na dużą skalę (zgodnie z definicją atlasu mózgu MIST71) przeprowadzono poprzez podsumowanie i transformację Z wartości wokseli w siedmiu regionach zainteresowania. Polar plot wykonano za pomocą pakietu R ggplot2.
Dostępność oprogramowania
Punktacja RPN-signature może być obliczona na podstawie strukturalnych i spoczynkowych funkcjonalnych zestawów danych za pomocą narzędzia programowego o tej samej nazwie. Narzędzie programowe RPN-signature składa się z opisanego potoku przetwarzania MRI i funkcjonalnego modelu predykcyjnego opartego na connectomie. Jest ono dostępne jako kod źródłowy pod adresem https://github.com/spisakt/RPN-signature. Ponieważ oprogramowanie jest zgodne ze specyfikacją Brain Imaging Data Structure (BIDS)82 i BIDS-App, zapewnia ono standardowy interfejs wiersza poleceń i opiera się na technologii Docker. Obraz dockera jest zdeponowany na Docker Hub: (https://cloud.docker.com/repository/docker/tspisak/rpn-signature) i nie zależy od żadnego oprogramowania poza obrazem kontenera. To, wraz z w pełni przejrzystym rozwojem opartym na ciągłej integracji oraz zautomatyzowanym tagowaniem i wersjonowaniem, zwiększa dostępność oprogramowania i wspiera odtwarzalność wyników podpisu RPN.
Podsumowanie raportu
Dalsze informacje na temat projektu badań są dostępne w Nature Research Reporting Summary powiązanym z tym artykułem.
.