(12/12/2024) עלו היום לאתר 9 סמינריונים 2 תזות 2 מאמרים

לרכישה גלול למטה לסוף הדוגמית

Classification of autistic individuals and controls using cross-task

סיווג אנשים אוטיסטים וקבוצת הבקרה באמצעות אפיון הצלבת-מטלות של פעילות fMRI

כללי

ניתוח דפוסים מרובה-משתנים (multivariate pattern analysis, MVPA) יושם בהצלחה במדידות fMRI (functional magnetic resonance imaging, דימות תהודה מגנטית תפקודי) בזמן מטלות ובזמן מנוחה, על מנת לבדוק אילו מרקרים (markers) מוחיים מבדילים בין אנשים עם הפרעות מהספקטרום האוטיסטי (ASD) לבין קבוצת הבקרה. בעוד שמרבית המחקרים התמקדו בקישוריות מוחית בזמן אפיזודות של מצב מנוחה ובגישת תחום העניין (region of interest, ROI), קיים בנוסף מאגר נרחב של נתוני fMRI מבוססי-מטלות בנוגע לאוכלוסיות אלו, שנאסף בעשור האחרון. מצב זה דורש יישום שיטות היכולות להשתמש במידע הקיים לא רק ממאגר בודד, אלא ממספר מאגרי נתונים החולקים תכונות וביו-מרקרים משותפים. אנחנו מציעים גישה מבוססת נתונים (על בסיס ווקסל) אותה ניישם לגבי שני ניסויי fMRI שונים עם גירויים חברתיים (פרצופים וגוף). השיטה, המבוססת על מכונות וקטורים תומכים (support vector machines, SVM) ושלילה רקורסיבית (recursive feature elimination, REF), עוברת תחילה אימון עבור כל ניסוי בנפרד ולאחר מכן הפלטים משולבים על מנת להפיק פלט סיווג סופי.  שנית, פלט RFE זה משמש לקבוע אילו ווקסלים נבחרים במידה המרבית עבור הסיווג, על מנת ליצור מיפוי של פעילות מובחנת משמעותית. לבסוף, על מנת לבדוק את התוקף הקליני של גישה זו, נבדוק את הקורלציה של המידע הפנוטיפי עם תוצאות הסיווג. הממצאים מראים כי דיוק הסיווג הוא גבוה (טווח בין 69% ל-92.3%). יותר מכך, הצלחנו לזהות דפוסי פעילות מובחנת הנוגעים למוח החברתי, ללא הסתמכות על הגדרות ROI קודמות. לבסוף, מוטיבציה חברתית הייתה המימד היחיד עם קורלציה לתוצאות הסיווג, ממצא המלמד כי זהו המימד העיקרי אותו מצליחים המסווגים להגדיר. באופן כללי, אנחנו מאמינים כי שיטת ה-RFE הנוכחית הוכיחה עצמה כיעילה ועשויה לסייע בזיהוי  ביו-מרקרים רלוונטיים על ידי שימוש במאגרי מידע של fMRI מבוססי-מטלות בקרב אוכלוסיות פסיכיאטריות.

הקדמה

זיהוי ביו-מרקרים במדע הפסיכיאטריה הינו אתגר שעמד במרכז מחקרים רבים בעשור האחרון. גישות רבות יושמו על מנת להתמודד עם אתגר זה, כולל ניסיונות לזיהוי ביו-מרקרים גנטיים, במטבוליזם או בדימות מוחי. בכל הנוגע ל-fMRI, ההתפתחויות האחרונות בשיטות MVPA בנתוני דימות מוחי נראית כגישה מבטיחה. אחד היתרונות העיקריים של שיטות אלה הוא כי הרגישות למידע היא גבוהה בהרבה בהשוואה לגישות של משתנה-בודד, בהן משתמשים לרוב במדעי המוח. ספציפית, למידת מכונה (machine learning) מאפשרת להשיג דפוסי מידע בקרב אוכלוסיות ווקסלים, שניתוח משתנה-בודד לרוב אינו מסוגל לבצע. ביחס לפסיכיאטריה, שיטת ה-MVPA יכולה לאבחן מצבים מוחיים המבדילים את הנבדקים מקבוצת הבקרה, וכך יכולה לשמש ככלי רב-ערך לזיהוי ביו-מרקרים אפשריים. בשנים האחרונות, MVPA אכן שימשה בהצלחה לגבי נתוני fMRI על מנת לסווג חולים הסובלים מדיכאון חמור או התמכרות לסמים, עם שיעור דיוק של 70%-80%.

עם זאת, בהתחשב בכמות הגדולה של נתוני fMRI שנאספו במחקרים פסיכיאטריים, קיים צורך בשיטות המסוגלות להיעזר בנתונים של יותר ממאגר אחד, ושיאפשרו הסתמכות על מידע ממספר מאגרים בו-זמנית. שיטות כאלו יגבירו את רגישות הביו-מרקרים ויאפשרו לנו ניצול מרבי של המידע הקיים.

בעוד שקיימים יתרונות ברורים לניתוח של מאגרי מידע גדולים, המחסור בשיטות יעילות המאפשרות להצליב מידע בין מספר מאגרים הופכת תהליך זה למייגע למדי. שיטות קיימות, כמו מבחני פרמוטציה לא-פרמטריים ושיטות searchlight, אינן יכולות לשמש באופן ישיר לשאיבת מידע ממספר ניסויים, או במקרים בהם ההנחה כי הדגימה היא בלתי-תלויה אינה מתקיימת.

הסברים אלו הם רלוונטיים במיוחד כאשר עוסקים בהפרעות מהספקטרום האוטיסטי (ASD), לגביהן קיימים מספר מאגרי נתונים מוחיים גדולים, שחלק מהם זמינים לציבור. אוטיזם היא הפרעה בהתפתחות המוחית המתאפיינת בפרופיל ייחודי של אינטראקציה ותקשורת חברתית פגומה, המתבטאת באומדן וויסות שגוי של התנהגות, לפי המידע הסוציו-רגשי. אנשים עם ASD מפגינים תת-קישוריות ברשתות המוחיות הפועלות בזמן מנוחה, ופעילות חריגה במספר קשרירים (nodes) של “המוח החברתי” (כלומר בליטת הפיוזיפורם, הסולקוס הטמפורלי, והאמיגדלה) בזמן שהם מעבדים מידע חברתי או רגשי.

עד היום, רוב המחקרים שעסקו בסיווגי ה-ASD באמצעות fMRI השתמשו בדפוסי קישוריות פונקציונאליים במצב מנוחה, כשרק שניים מהם השתמשו בפרדיגמות מבוססות-מטלה המתמקדות בחוסרים החברתיים והרגשיים המאפיינים ASD. על ידי שימוש במערך מוגבל של ROI  הנוגעים למוח החברתי, שני מחקרים אלו מצאו תת-קישוריות ותת-פעילות באזורים הקשורים בעיבוד פרצופים או תיאוריית התודעה, שני תפקודים שהם אכן א-טיפוסיים אצל אנשים עם ASD. בעוד שהגבלת הסיווג למערך מוגבל של ROI הינה גישה מבורכת, הצלבת מידע ממספר מאגרי fMRI יכולה לשפר את אמינות הגילוי של ביו-מרקרים רלוונטיים, במיוחד כאלו עם היקף מרחבי קטן. מטרה זו דורשת גישה מכוונת-נתונים היכולה לשאוב מידע מכל המוח ברמת הווקסל.

מטרת מאמר זה היא להציע גישה רבת-משתנים המסוגלת לשלב מידע ממספר מחקרים על מנת לגלות דפוסי התנהגות ברמת הווקסל שיכולים לנבא אוטיזם. נעזרנו במידע משני מחקרים ספציפיים שנערכו עם אותה קבוצה של אנשים עם ASD ומשתתפי קבוצת הבקרה. בדומה למחקרו של קוטאנש (Coutanche) המטלות בהן השתמשנו נועדו בתחילה לניתוח משתנה-בודד, ולא תוכננו למחקר MVPA. שתי המטלות דרשו מהמשתתפים לעבד גירויים רגשיים בתנאים שונים של רלוונטיות חברתית או תשומת לב פרטנית: הניסוי הראשון בדק את התפיסה של פרצופים כועסים או ניטראליים עם מבט ישיר או מוסט; הניסוי השני ביקש מהמשתתפים להפנות או להסיט את תשומת ליבם לשפת גוף כועסת או ניטראלית. ביצענו שני ניתוחים לגבי ניסויים אלה. בניתוח הראשון, אמדנו את יכולת המסווג להבדיל בין החולים לבין קבוצת הבקרה, לאחר שאימנו את המסווג בשני המחקרים. בניתוח השני, הרחבנו גישה דיאגנוסטית זו כדי לאמוד האם מסווג זה הוא בעל קורלציה עם הבדלים אינדיבידואליים במוטיבציה חברתית, מימד התנהגותי הממלא תפקיד משמעותי בחוסרים החברתיים המאפיינים ASD. יותר מכך, בהתחשב בכך שמחקרים אחרונים בתחום העלו דאגה כי תנועות הראש עלולות לגרום להטיה כוזבת בבעיות סיווג, השוונו את תוצאות המסווגים שלנו לאחר שביצענו רגרסיות של שישה פרמטרים של תנועה (X, Y, Z, עלרוד, סבסוב, גלגול), פרקטיקה סטנדרטית בתחום של דימות BOLD, עם שיטה קפדנית יותר הכוללת 24 פרמטרים בה השתמשו במחקרים אחרים.

שיטה כללית

המשתתפים

כל המשתתפים נתנו הסכמה בכתב והמחקר נערך בהתאם לעקרונות אמנת הלסינקי וועדת האתיקה המקומית. המדגם כלל 29 בוגרים, 15 מהם עם ASD ו-14 עם התפתחות רגילה (TP). כל משתתפי ה-ASD אובחנו על ידי פסיכולוגים ופסיכיאטרים מורשים בהתאם לקריטריונים אבחוניים סטנדרטיים ומודול (module) 4 מהמדריך לאבחון אוטיזם (ADOS). המשתתפים הותאמו לפי גיל ו-IQ (טבלה 1). כמו במקרים אחרים, משתתפי ה-ASD הפגינו דירוג חרדה גבוה יותר מקבוצת הבקרה. גורם מטעה זה נלקח בחשבון במהלך הניתוח על ידי כך שוידאנו כי דירוגי הסיווג יהיו ללא קורלציה לדירוגי החרדה.

הליכי הניסוי

מטלת הפרצוף הסטטי (ניסוי 1)

מטרת מטלה זו הייתה לבדוק האם המשתתפים עם ASD מעבדים אוטומטית הבעות של כעס המופנות כלפיהם באופן ישיר (בהשוואה להבעה מוסטת) כאותות תקשורת עם רלוונטיות-עצמית. מטלה זו נלקחה ממחקר אחר והצליבה שני גורמים: כיוון המבט ורגש. המטלה ביקשה מהמשתתפים ללחוץ על כפתור כאשר הופיע פרצוף הפוך. מטלה משונה זו נועדה להותיר את הניסיונות הרלוונטיים ללא הטעיות שנגרמות מגורמים מוטוריים.

נעזרנו ב-10 תמונות צבע של שחקנים (5 גברים) שעברו מניפולציה של שני גורמים: 1) כיוון המבט (מצב המבט הישיר: כיוון הראש והמבט מכוונים כלפי המשתתף; מצב המבט המוסט: כיוון הראש והעיניים מוסטים ב-30 מעלות), 2) הבעה רגשית (כועסת או ניטראלית). נלקחה תמונה נוספת של כל שחקן, עם הבעה ניטראלית, ידיים לצד הגוף, וכיוון מבט בלתי מוגדר של 15 מעלות. מצב זה יוגדר מעתה כ”תנוחה ראשונית”. התיאור המלא של גירוי זה נמצא במחקרו של קונטי (Conty 2012). במהלך הסריקה, כל מבחן התחיל במסך אפור אחיד (800 ms) ולאחריו אזור ממוקד ( 500 ms) המורכב מנקודת מיקוד מרכזית אדומה וארבע זוויות אדומות. הורינו למשתתפים להתמקד בנקודה המרכזית ולרכז את תשומת ליבם בתוך איזור המיקוד באותה רמה של הנקודה המרכזית. התנועה הגלויה נוצרה באמצעות הצגה קונסטרוקטיבית של שתי תמונות. התמונה הראשונה הציגה את השחקן בתנוחה הראשונית במשך זמן רנדומאלי (משך ממוצע = 450 ms, טווח של 300-600 ms), ומיד לאחר מכן הצגת תמונה של אותו שחקן באחד מארבעת מצבי העניין (איור 1A). גירוי שני זה נשאר על המסך במשך 1300 ms. בסך הכול, הוצגו 230 מבחנים, שכללו, בנוסף ל-160 מבחני העניין (10 שחקנים X 4 מצבים X 2 כיוונים X 2 חזרות), 20 מטלות משונות (התמונה השנייה הפוכה) ו-50 אירועים בטלים (משך ממוצע = 3050 ms).

מטלת תשומת הלב לגוף דינאמי (ניסוי 2)

מטרת ניסוי זה הייתה למשוך תשומת לב או להסיטה מהמשמעות הרגשית של סרטונים המציגים כעס, פחד ופעולות גוף ניטראליות. מטלה זו אומצה ממחקר קודם והצליבה שני גורמים: תשומת לב (לגירוי רגשי או נקודות צבעוניות) ורגש (כעס/פחד/ניטראליות). תשומת הלב עברה מניפולציה באמצעות מסכי הוראות שהוחלפו כל שישה מבחנים. במהלך הוראות זיהוי הרגש, המשתתפים התבקשו להעריך האם הפעולה המוצגת הביעה כעס, פחד או ניטראליות. במהלך הוראות זיהוי הצבעים, המשתתפים צפו באותם סרטונים אך התבקשו לזהות את הצבע של נקודה קטנה ( אדומה, ירוקה, כחולה, זווית של 0.3 מעלות) שהוצגה על המסך למשך זמן קצר של 40 ms. על מנת לצמצם את התנודות בתשומת לב המרחבית בין המטלות, מיקומה של הנקודה הצבעונית נבחר בקפידה כך שהיא מוקמה תמיד בפלג גופו העליון של השחקן. הצבעים פוזרו רנדומאלית על פני ההבעות הרגשיות והופיעו בשתי המטלות. הניסוי חולק לשתי סריקות עוקבות של 21 דקות כל אחת. בכל סריקה, הגירוי נחסם על ידי מטלות והחסימות התחלפו בין סדרה של מצבי תשומת לב לרגש ומצבי תשומת לב לצבע. כל חסימה כללה 6 מבחנים (כולל אירועים בטלים של 5 שניות). בסך הכול הוצגו 36 חסימות לכל מצב תשומת לב (142 סרטונים + 74 אירועים בטלים לכל מטלה). בתחילת כל חסימה הורינו למשתתפים, באמצעות טקסט שהופיע על המסך במשך שתי שניות, האם הם מתבקשים לזהות רגש או לזהות צבע. אירועי הגירוי והאירועים הבטלים שולבו בחסימות באופן רנדומאלי. לאחר כל הצגה של גירוי, המשתתפים התבקשו, באמצעות מסך תגובה (כעס/פחד/ניטראליות, או אדום/ירוק/כחול), ללחוץ על הכפתור המתאים שנמצא על כרית שמוקמה תחת יד ימין. למשתתפים ניתן זמן של 2 שניות כדי לענות. הסדר של אפשרויות התגובה נקבע רנדומאלית בין המבחנים על מנת למנוע השפעות של תגובה מוטורית צפויה.

נעזרנו ב-73 סרטונים (24 כעס, 23 פחד, 24 ניטראליות) באורך 3 שניות בניסוי זה. התיאור המלא והתקפות של גירוי זה נמצא במחקרים קודמים. לזמן קצר, הפעולות הוצגו על ידי שחקנים מקצועיים שצולמו כאשר הם פותחים דלת ומגלמים מצבים שונים של כעס, פחד או ניטראליות. השחקנים צולמו כשהם פונים למצלמה והבעות הפנים שלהם טושטשו לאחר מכן כך שרק המידע הנובע משפת הגוף שלהם היה זמין. בניסוי הנוכחי, הניתוח שלנו התמקד רק בגירויים של כעס וניטראליות, כך שרק ארבעת מצבי העניין של ניסוי 2 מוצגים באיור 1B.

רכישת נתוני fMRI

בשני הניסויים, דימות EPI רוחבי בשיטת gradient echo T2 עם ניגוד BOLD ודימות אנטומי T1 ברזולוציה גבוהה נרכשו באמצעות 3T. כל פרק הכיל 40 נתחים ציריים (TR/TE/flip angle = 2000 ms/ 27 ms/ 78o, רזולוציה = 64 X 64, גודל ווקסלים 3 X 3 מ”מ עם עובי של 3 מ”מ, טכניקת רכישה מקבילה (PAT) פקטור 2). השתמשנו בטריז מתכת על מנת לצמצם את חוסר ההומוגניות של השדה המגנטי הסטטי. רכישת הדימות התחילה לאחר מדידה של 3 פרקים מדומים על מנת למנוע רוויה של T1. עבור כל משתתף ועבור כל מטלה, אספנו 370 פרקים פונקציונאליים. בנוסף, אספנו דימות אנטומי T1 ברזולוציה גבוהה (TR/TI/TE/Flip angle = 2300 ms/ ms/ 4.18 ms/ 9o, רזולוציה  = 256 X 256 X 64, גודל ווקסלים 1 X 1 מ”מ עם עובי של 1 מ”מ, ללא האצת IPAT, 176 נתחים סגיטליים).

טרום-עיבוד של דימות פונקציונאלי

עיבוד הדימות וניתוחו נערכו באמצעות SPM8. דימות פונקציונאלי כוייל מחדש עבור הפרק הראשון באמצעות טרנספורמציית גוף נוקשה, תוקן בשל הפרשי הזמן, עבר נורמליזציה מרחבית לפי הוראות ה-EPI של המוסד הנוירולוגי של מונטריאול, עבר דגימה מחודשת לפי גודל ווקסל איזוטרופי של 2 מ”מ, ועבר החלקה מרחבית עם ליבה גאוסית איזוטרופית ברוחב מלא של 8 מ”מ בחצי-מקסימום (FWHM).

ניתוח fMRI לפי משתתף

ברמה האינדיבידואלית, ביצענו ניתוח סטנדרטי באמצעות מודל ליניארי כללי (GLM) ב-SPM8. כל מטלה תוכננה באופן נפרד וכללה 4 מצבי עניין כפי שתואר מעלה (הצלבת כיוון המבט בניסוי 1 X רגש והצלבת תשומת הלב של ניסוי 2 X רגש). עבור כל מצב, חישבנו משתנה מפקח על ידי פיתול פונקציות stick בתחילת הצגת הגירוי עם פונקצית התגובה ההמודינאמית הקנונית (HRF). המשך של כל אירוע כלל את הגירוי ואת זמן התגובה הקבוע (ניסוי 2 בלבד). אומדן המודלים הביא לחישוב של מפת בטא עבור כל מצב ניסויי (סך הכול 8 מפות בטא/ מצבים לכל משתתף) ששימשה עבור הסיווג.

רגרסיה של פרמטרי התנועה

שקלנו בקפידה את הסוגיה של שרידי ארטיפקטים הקשורים לתנועות ראש, שעשויים לפגוע במהימנות התוצאות אפילו לאחר כיול הפרקים ולהוביל לדפוסים כוזבים שייגרמו להטיה בסיווג. ביצענו רגרסיה של השפעות תנועת הראש על ידי הוספה של פרמטרי ההתאמה מחדש שנאמדו בשלב העיבוד בכל המודלים של GLM. השווינו את התוצאות של הסיווג באמצעות מודלים שכללו שני סוגים של פרמטרי תנועה. בסט הראשון של המודלים, פעלנו לפי הליך סטנדרטי וכללנו את ששת פרמטרי ההתאמה מחדש במצבם הגס (Rawrp6 models). בסט המודלים השני (Friston24 models), השתמשנו בשיטה שמרנית יותר שהוצעה על ידי פריסטון (Friston) שלוקחת בחשבון את תנועות המשתתף בהווה, אך גם את אלו של הסריקה הקודמת. שיטה זו לוקחת 24 רגרסיות תנועה בחשבון: 6 הפרמטרים של ההתאמה מחדש, את אותן 6 רגרסיות עם שינוי-לאחור של נקודת זמן אחת על מנת לחשב את התנועה שהתרחשה במהלך הסריקה הקודמת (וכך ללכוד השפעת “זיכרון” כמו בהרחבות וולטרה (Volterra)), ואת כל אחת מהרגרסיות בריבוע. ניתן להשתמש בשיטות רגרסיה שונות, אך מטרתנו הייתה להבטיח כי תוצאות הסיווג יישארו גבוהות למרות בקרה קפדנית יותר של ארטיפקטי התנועה, יותר מאשר רצון לחקור את ההשפעה של שיטות תיקון תנועה שונות על הסיווג כשלעצמן.

ניתוח 1 – סיווג אנשים אוטיסטים וקבוצת הבקרה

השיטה

מטרתנו הראשונה הייתה לאמן את המסווגים להבדיל בין החולים לבין קבוצת הבקרה, ולאמוד את ביצועי המסווגים. שיטת הסיווג המוצעת לקחה בחשבון את הפרטים הספציפיים של מאגר הנתונים שלנו, שהורכב ממפות בטא בפיזור בלתי-אחיד שנוצרו ממטלות וניסויים שונים. שנית, בחירת התכונות יושמה על מנת לשפר את ביצועי הסיווג ולזהות את הווקסלים המובחנים ביותר בשני הניסויים.

השתמשנו במפות הבטא של כל מצב שנאמדו בשלב הרמה האינדיבידואלית כקלט עבור הסיווג, על מנת לאמת את ההשערה כי פעולות fMRI מוחיות מבחינות בין אנשים עם ASD לקבוצת הבקרה. החלל שנוצר על ידי הווקסלים של מפות הבטא שימש באופן ישיר כחלל התכונה עבור הסיווג, מבלי לכלול כל מידע קודם כמו ROI קודמים. כך, שיטת הסיווג שלנו הייתה לחלוטין מבוססת-נתונים וכיוונה למצוא את הווקסלים המובחנים ביותר. שימוש במידע מכלל המוח בגישה גישושית יכול לאפשר: א) סיווג מדויק יותר מאשר הגבלתו לסט מצומצם של אזורים קודמים; ו-ב) זיהוי דפוסי פעילות מוחית שאותם לא זיהינו באמצעות ROI, לדוגמא בגלל שהפעילות המבדילה נמצאת בגבול בין שני ROIs.

ווקסלים שהיו בלתי זמינים בשל הבדלים בנפח המוח בין המשתתפים נדחו, אך עדיין נוצר חלל מימדי גבוה, המיוצג על ידי N = 186217 תכונות (כלומר ווקסלים של מפות בטא). אלגוריתמי למידת מכונה רבים הם זמינים וניתנים ליישום לגבי נתוני fMRI. החלטנו לבחור ב-SVM, שיושם ב-MATLAB  2014a, בהתחשב בביצועיו המוצלחים בחללים ממדיים גבוהים. מכיוון שמספר הדגימות שיושמו על מנת לאמן את SVM הוא נמוך יחסית בהשוואה למימדי חלל התכונה, שתי הרמות תמיד ניתנות להפרדה על ידי מישור ליניארי, ויישום של גבולות החלטה בלתי-בינאריים אינו מעניין אותנו באופן משמעותי. השתמשנו ב-SVM ליניארי עם מודל של הצורה:

F(xi) = wTxi + b

כאשר xi מייצג וקטור תכונה (כלומר מפת בטא תלת ממדית שמשוטחת לוקטור). כאשר מצמצמים את עלות התפקוד על מנת לחשב את משקל w, ה-SVM מסתמך על פרמטר c שמתקן את האיזון בין סיווג שגוי לבין הסדרה. בהסתמך על  ההצעות של לקונטה (Laconte) ההסדרה הושגה על ידי כיוון פרמטר c ל-1. הרמה yi  שקשורה לוקטור תכונה נתון xi נקבעת על ידי טיב המשתתף המתאים עם:

Yi = { – 1  אם המשתתף הוא בקבוצת הבקרה, yi = { 1  אם המשתתף הוא אדם עם ASD.

כתוצאה מכך, f(xi) יהיה שלילי עבור דגימות שהוגדרו כבקרה (וחיובי עבור דגימות שהוגדרו כ-ASD).

כמו ברוב שיטות הסיווג, SVMs מניחים כי נתוני הקלט מתפזרים באופן זהה ובלתי תלוי. במקרה שלנו, ההנחה לגבי נתונים המפוזרים באופן זהה אינה מתקיימת מכיוון שמפות בטא מגיעות ממספר מצבים ניסויים שמפעילים אזורים שונים במוח. בשל כך, אימנו מסווג עם נתוני כל מצב באופן בלתי תלוי ( 2 ניסויים X 4 מצבים לכל ניסוי = 8 מצבים) וההחלטות של מסווגים אלו שולבו לאחר מכן על מנת לבצע החלטה סופית עבור כל משתתף. שילוב החלטות המסווגים הושג על ידי חישוב ממוצע הפלטים f(xi) של כל מצב i השייך למשתתף נתון j, מה שמניב תוצאת החלטה סופית של f (j). עבור אחד המשתתפים שהחסיר את אחד הניסויים, ההחלטה התבצעה באמצעות המצבים הזמינים. הסימון f(j) שימש לקביעת הרמה של משתתף j.

אימון SVM ושיטת הצלבת-תוקף באמצעות החסרה-של-משתתף-אחד

שיטה זו יושמה על מנת לבחון את ביצועי שיטת הסיווג לגבי נתונים לא ידועים. עבור כל משתתף וכל מצב, המסווג אומן באמצעות הנתונים של כל שאר המשתתפים (לגבי אותו מצב); המודל שהושג יושם לאחר מכן על מפות הבטא של המשתתף הנבדק. כפי שתואר מעלה, השתמשנו בשילוב ממוצעים על מנת לשלב את המודלים של שני הניסויים ולהגיע להחלטה סופית לגבי כל משתתף. לבסוף חישבנו את הביצועים. שני סוגים של שילובים יושמו באמצעות שילוב מצבים שונים על מנת להעריך:

1) האם השילוב של כל המודלים (כלומר משני הניסויים) שיפר את דיוק הסיווג; הביצועים שהושגו משילוב המצבים של כל הניסויים (כלומר 8 מצבים בסך הכול) הושוו לביצועים שהושגו משילוב המצבים באופן נפרד עבור כל ניסוי (כלומר 4 מצבים לכל ניסוי);

2) האם המודלים שאומנו במידע רגשי מול מידע ניטראלי שיפרו את דיוק הסיווג; הביצועים שהושגו משילוב מצבי הבעות הכעס השוו לביצועים שהושגו משילוב מצבי ההבעה הניטראלית (בלי קשר לניסוי, 4 מצבים בשני המקרים).

מסגרת הסיווג הכללית, במקרה שבו השתמשנו בנתונים משני הניסויים, מוצגת באיור 2. באמצעות שיטה זו, אימנו 8 מסווגים ( 4 מצבים לכל ניסוי X 2 ניסויים) בכל לולאת תוקף צולב. בהתחשב בשונות הדיוק הגבוהה של שיטת הצלבת-תוקף באמצעות החסרה-של-משתתף-אחד, השתמשנו גם בשיטת החסרה-של-זוג-משתתפים. מכיוון שהתוצאות של שתי שיטות אלו היו דומות למדי, החלטנו לדווח רק על תוצאות ההחסרה האחת.

סיווג באמצעות SVM RFE

למרות ש SVMs מפגינים ביצועים טובים בחללים עם מימד גבוה, הם עדיין יכולים ליהנות משיפור באמצעות שיטות בחירת תכונות. בשל כך יישמנו גרסא מותאמת של אלגוריתם SVM RFE על מנת להגביל את הסיווג לסט מוגדר של ווקסלים מבדילים. ב-SVM RFE הסיווג מושג בתחילה לגבי המערך המלא של התכונות באמצעות שימוש במסווג SVM ליניארי. התכונה בעלת המשקל wi הנמוך ביותר עוברת ניפוי והתהליך חוזר על עצמו לגבי שאר התכונות עד הנקודה שבה לא נותרת אף תכונה. לאחר מכן התכונות מאורגנות לפי סדר הניפוי, כאשר התכונה שנופתה ראשונה מוגדרת כגרועה ביותר. מכיוון שמספר התכונות הוא כה גבוה, בחרנו להאיץ את אלגוריתם RFE על ידי הפחתה של 10% מהתכונות הנותרות בכל חזרה. באופן זה, חלק גדול מהתכונות מנופות במהלך החזרה הראשונה, ובחזרות הבאות, האלגוריתם מפנה פחות ופחות תכונות והופך להיות מדויק יותר בדירוג התכונות. הערך של 10% נבחר על מנת לאפשר זמן עיבוד סביר וכדי לשמור על מספר נמוך של תכונות מנופות. לאחר שהתכונות דורגו, ניתן לבחור את התכונות הטובות ביותר (b*) בסט האימון לטובת ביצוע הסיווג. המספר b* נבחר על ידי הצלבת-תוקף (איור 2) בקרב מספר ערכי bi אפשריים. עבור מהירות החישוב, מספרי ה-bi עקבו אחר ההתקדמות הגיאומטרית המתוארת כאן (משוואה בעמ’ 5 משמאל, פסקה ראשונה)

מספרי ה-bi עוגלו על מנת לבחור מספר מדויק של תכונות. באמצעות שיטה זו, מספר התכונות הנבחרות נע בין b11 = 45 ל- b0 = 93109.

ביצועי הסיווג

ביצועי הסיווג נאמדו על ידי דיוק (אחוז המשתתפים שסווגו נכון), רגישות (כלומר חזרה), וסגוליות. חשיבות הדיוק בסיווג נבחנה באמצעות מבחן בינומי עם ההשערה הבטלה כי תוויות הרמה נאמדות רנדומאלית ובסבירות זהה. בהתחשב בכך שמבחנים בינומיים יכולים להקל מדי כאשר מיישמים אותם על מאגר נתונים קטן, ביצענו בנוסף מבחני פרמוטציה. שני המבחנים הניבו תוצאות דומות ולכן בחרנו להציג רק את תוצאות המבחן הבינומי.

הדמיית הווקסלים המובחנים ביותר

לאחר שבחנו את ביצועי הסיווג, ביקשנו לזהות את הווקסלים המובחנים ביותר בקרב הניסויים על מנת להציגם בהדמיה אנטומית של כל המוח. אפשרות אחת היא ליישם מבחני פרמוטציה על מנת לגלות אילו ממשקלי הסיווג w הם גבוהים או נמוכים באופן משמעותי. אך שיטה זו אינה אופטימאלית מכיוון שקורלציה מרחבית דוחפת את המשקל של הווקסלים המתואמים (אך המובחנים) כלפי אפס. מצב זה הוא בעייתי במיוחד בגישה מבוססת-הנתונים בה בחרנו בהתחשב בכל הווקסלים בנפח המוח.

פתרון נוסף הוא שילוב של הווקסלים המתואמים באמצעות אלגוריתם searchlight. אנו מציעים לבצע את ניתוח הווקסלים באמצעות הפלט של אלגוריתם SVM RFE. הרעיון הבסיסי הוא כי ווקסלים שקיבלו דירוג גבוה על ידי sVM RFE הם מובחנים באופן משמעותי, בעוד שאלו שזכו לדירוג נמוך או דורגו גבוה רק לעתים, אינם מובחנים באופן מיוחד. כפי שהוצע במחקר של ברייטינג (Breitling) מבחן rank product יכול לשמש כדי לקבוע אילו תכונות (כלומר ווקסלים) מדורגות גבוה יותר מאשר הסתמכות על מזל. כאשר מספר התכונות וה-rank product  הוא גבוה, ניתן להשתמש באומדן מדויק ובעל עלות נמוכה (בהתבסס על פיזור גאמא) של מבחן ה-rank product. מכיוון שאנחנו עוסקים ב- N = 186217 ווקסלים, בחרנו להשתמש במבחן גאמא זה. כפי שהוגדר במחקרו של קוזיול (Koziol) המבחן מורכב מחישוב של סטטיסטיקות z מדירוגי k. סטטיסטיקת z עוקבת אחר פיזור גאמא תחת ההשערה הבטלה כי התכונות מדורגות באופן זהה עם: (משוואה (2) בעמ’ 5 מימין, פסקה ראשונה), כאשר ri הוא דירוג התכונה הנבחנת עבור דירוג i. חיוני ליצור דירוגי ווקסלים שאינם תלויים ב-k על מנת ליישם את המבחן. השגנו זאת על ידי בניה של מודל עבור כל מצב נפרד.

כפי שתואר קודם, אלגוריתם SVM RFE יושם 8 פעמים (פעם אחת עבור כל מצב), כשכל חזרה מייצרת מספר ייחודי של ווקסלים. מבחן הגאמא יושם לאחר מכן על סטים של דירוגים על מנת למצוא את הווקסלים המובחנים ביותר. ליתר דיוק, מבחן זה יושם לגבי המצבים של כל ניסוי באופן נפרד (k = 4) ולגבי שני הניסויים יחד (k = 8), מה שהוביל ליצירה של 3 מפות המייצגות את הפעילויות המוחיות המובחנות של ניסוי 1, ניסוי 2 והשילוב של שני הניסויים יחד. מכיוון שמספר הדירוגים k יכול להיות שונה (4 או 8), כיילנו את מבחן הגאמא כך שסטטיסטיקות z ניתנות להשוואה על ידי החלפת הסכום במשוואה (2) בממוצע: (משוואה בעמ’ 5 מימין, פסקה אחרונה).

שיטה זו מאפשרת למצוא ווקסלים שהם מובחנים באופיים בכל המצבים והניסויים על ידי בחירה של ווקסלים שבהם p(Z’ ≥ z’) < . במחקר שלנו α נקבעה כ0.05. יש לציין כי השינוי המוצע אינו משנה את החשיבות הסטטיסטית של המבחן מכיוון ש: p(Z’ ≥ z’) = p(Z ≥ z).

יחד עם זאת, המבחן המוצע אינו מלמד אותנו דבר לגבי כיוון ההשפעה. על מנת לעקוף סוגיה זו, השגנו את סימני משקלי הווקסלים על ידי אימון מודל SVM ייחודי לגבי כל מאגר הנתונים והצגנו באיור 3 את סטטיסטיקות z (שהן תמיד חיוביות) לאחר שהוכפלו בסימן של המשקל הקשור, על מנת לדמות את הכיוון העיקרי של ההשפעה. תיוג אנטומי בוצע בהתאם לארגז הכלים האנטומי (אייקהוף 2005   Eikhoff). קואורדינאטות של אזורים הומולוגיים בשתי ההמיספרות קובצו יחד בטבלה 4, כאשר המרחק היה קטן מ-4 מ”מ. הדימוי נוצר באמצעות MRIcron ומוח הקולין (Colin) הסטנדרטי שזמין ב-SPM8.

תוצאות

דיוק הסיווג

הדיוק, הרגישות והסגוליות של שיטות הסיווג ותיקוני התנועה השונים מוצגים בטבלה 2. על מנת להקל על הקריאה, הרגישות והסגוליות מוצגים רק לגבי אלגוריתם SVM RFE, שביצועיו היו הטובים ביותר ברוב המקרים.

כאשר שני הניסויים קובצו יחד לצורך הסיווג, ולא יושמה כל סלקציה של תכונות, שיטת תיקון התנועה friston24 הציגה ביצועים טובים יותר משיטת Rawrp6 (friston24: 82.8%, Rawrp6: 72.4%). ממצא זה מלמד כי רגרסיה של שרידי תנועה מסייעת לשיפור הסיווג. כאשר מיישמים בחירת תכונות (RFE), הדיוק נשאר דומה במידה רבה עבור friston24 אך השתפר משמעותית עבור Rawrp6 (friston24: 79.3%, Rawrp6: 89.7%). בעוד שהסגוליות (שיעור שליליים אמיתיים) הייתה זהה בשתי השיטות (80%), הרגישות (שיעור חיוביים אמיתיים) הייתה גבוהה בהרבה בשיטת Rawrp6 מאשר frison24 (100% מול 78.6%( , כנראה בגלל ההשפעה של שרידי תנועה אותם שיטת Rawrp6 לא גילתה באופן מוצלח כמו frison24.

כאשר הניסויים נשקלו בנפרד, הדיוק המוצלח ביותר הושג בניסוי 2 (ביצועים: 92.3%, רגישות: 92.3%, סגוליות: 92.3%) שביצע מניפולציה על תשומת הלב באמצעות הסטתה או ריכוזה בפעולות גוף רגשיות. לסיכום, תוצאות אלו מאשרות כי שרידי תנועה פוטנציאליים בסיגנל הם בעלי השפעה קטנה אך לא בטלה על הסיווג, וכי שיטת התיקון frison24 יכולה להפחית סיווגים כוזבים הקשורים בשרידי תנועת-ראש. יותר מכך, התוצאות מראות כי יש יתרון בשימוש ב-SVM RFE כדי להגדיל את דיוק הסיווג (בעיקר בנוגע ל-Rawrp6) מכיוון שהביצועים השתפרו בארבע ניתוחים (מתוך 6), נותרו ללא שינוי בניתוח אחד, ופחתו באופן שולי בניתוח הנותר. ממצא זה מראה כי הפעילות המוחית הייתה מובחנת בכל הניסויים, למרות האופי המגשש של השיטה בה נקטנו.

על מנת להבטיח כי RFE ושילוב הנתונים אינם בוחרים תכונות הקשורות בתנועה, חישבנו קורלציות בין הפלט הקבוע של המסווגים ו-13 פרמטרים של תנועה. חשוב לציין כי לא מצאנו קורלציות עבור השילוב בין שני הניסויים לאחר תיקון התנועה של frison24 ו/או היישום של RFE (כל p > 0.05 ללא תיקון). יותר מכך, האלגוריתם RFE עזר להפחית את ההשפעה של התנועה על הפלט של המסווגים. לפרטים נוספים ראו איור 1 ותוצאות הניסוי.

לבסוף, מכיוון ששוער כי אנשים עם ASD הם בעלי חוסר ספציפי בעיבוד סימנים רגשיים, בדקנו האם הסיווג של מצבי כעס השיג דיוק גבוה יותר מאשר הסיווג של מצבים ניטראליים. לצורך כך, שילבנו את תוצאות הסיווג של שני הניסויים עבור כעס וניטראליות בנפרד. התוצאות הראו כי הדיוק בנוגע למצבי כעס או ניטראליות היה דומה מאוד עם פער דיוק ממוצע של 1.7% (טבלה 3). חשוב לציין, עם זאת, כי למרות שהסיווג של גירויים רגשיים היה גבוה רק במעט בהשוואה לסיווג הגירוי הניטראלי, אין זה אומר כי רגשות אינם מועילים לצרכי סיווג. השימוש בסט מגוון של גירויים חברתיים כנראה מגביר את תשומת הלב של המשתתפים, דבר המועיל לתהליך הסיווג בכללותו.

הדמיה של הווקסלים המובחנים ביותר

הווקסלים המובחנים ביותר (איור 3) בניסויים נמצאו באזורי המוח הקשורים לקוגניציה חברתית, ובאופן ספציפי באזורים המשמשים לעיבוד של פרצופים ושפת גוף (FFA: אזור פנים פוזיפורם, OFA: אזור פנים אוקסיפיטלי, EBA: אזור גוף אקסטרסטריאטי, STS: החריץ הטמפורלי הגדול), הפעילים בזמן מנטליזציה (TPJ: הצומת הטמפורו-פאריאטלית והפרקונאוס), או בזמן תפיסת פעולות ורגשות (PM: הקורטקס הפרה-מוטורי). אזורים אלו הראו פעילות מופחתת אצל אנשים עם ASD בהשוואה לקבוצת הבקרה. השילוב של שני הניסויים הגביר באופן דרמטי את החשיבות של התכונות המובחנות, דבר הנובע ככל הנראה מגודל הדגימה עם השפעת גודל יציב. השילוב של שני הניסויים הגדיל את מספר הווקסלים המובחנים המשמעותיים בכ-50%, עם 139 ווקסלים משמעותיים בניסוי 1 (מבט), 219 בניסוי 2 (גוף) ו-546 בשילוב שני הניסויים.

ניתוח 2 – גישה ממדית

שיטות

בניתוח 1, התמקדנו בדיוק של המסווגים על מנת להבחין בין המשתתפים בהתבסס על הדיאגנוזה שלהם, ובדקנו דפוסי פעילות מוחית מובחנת בין החולים לבין קבוצת הבקרה. צעד ראשון זה סייע להשוות את היתרונות של מתודולוגיית MVPA בהצלבת-ניסויים עם סיווג שבוצע לגבי מטלות בודדות. עם זאת, המלצות עכשוויות בענף הפסיכיאטריה הדגישו את הצורך לצאת מהגבולות הדיאגנוסטיים ולאמץ גישה ממדית יותר שתסייע להבנה עמוקה יותר של המצע הנוירו-ביולוגי של מצבים פסיכיאטרים. הסיבה לכך היא כי עד שננסח דיאגנוסטיקה קלינית משופרת, המחקר במדעי המוח צריך להתמקד בממדים דיסקרטיים של התנהגות שסביר כי הם קשורים באופן ישיר יותר לנוירו-ביולוגיה. מימד מבטיח אחד בתחום החקר של ASD הוא מוטיבציה חברתית. ניתן להגדיר מוטיבציה חברתית כסט של מנגנונים ביולוגיים המניעים אנשים למקד את תשומת הלב שלהם בעולם החברתי ולהתייחס לאינטראקציות חברתיות כמתגמלות. ניתן לאמוד מוטיבציה חברתית באמצעות מספר כלים, כולל שאלוני דיווח-עצמי. בניתוח 2, התרחקנו מהגישה מבוססת הדיאגנוזה הסטנדרטית על מנת לבדוק האם פלט הסיווג של f(j) היה קשור לאנהדוניה חברתית (SAS) ולמדידות פרסונאליות או דיאגנוסטיות אחרות. מכיוון שהמסווגים אומנו כדי להבדיל בין המשתתפים עם ASD לקבוצת הבקרה, ציפינו כי הקורלציות ייגרמו בעיקר בשל ההבדלים בין הקבוצות. בשל כך, בחרנו ליישם קורלציות חלקיות על מנת להסיר את ההשפעה הקבוצתית. חישבנו קורלציות נוספות בתוך כל קבוצה בכל פעם שהקורלציה החלקית הייתה בעלת קורלציה שולית (p < 0.1).

שאלונים

המשתתפים השלימו את סולם האנהדוניה החברתית המתוקן, שהוא סולם אמת/שקר של 40 פריטים, בו משתמשים לרוב על מנת להעריך את היכולת לצפות ולחוות הנאה בין-אישית (כלומר שהות במחיצת אנשים, שיחה, שיתוף רגשות, ופעולות כלליות יחד עם אנשים אחרים). ניקוד גבוה פירושו תגובות הנאה חלשות, כלומר אנהדוניה חברתית חמורה יותר. לאחרונה חשפנו אנהדוניה חברתית סלקטיבית (חוסר ברצון והנעה חברתית) אצל מתבגרים עם ASD, כשחומרת ה-ASD (דירוג ADOS) היא בעלת קורלציה חיובית עם רמת האנהדוניה החברתית. בנוסף ל-ADOS, אמדנו תכונות של אוטיזם באמצעות שאלוני AQ.

המשתתפים מילאו בנוסף את שאלון STAI (טופס Y) הבודק מאפיינים ומצב חרדה. חרדה היא אחד הפגמים הפסיכיאטריים הנפוצים ביותר אצל אנשים עם ASD, כש-40-50% מהאנשים עם ASD עונים על התנאים המגדירים חרדה קלינית. מכיוון שחרדה משפיעה על התגובות המוחיות לגירוי רגשי, ופוגעת במוטיבציה חברתית, בדקנו האם תוצאות הסיווג היו קשורות להבדלים אינדיבידואליים בחרדה (טבלה 5).

תוצאות

בהינתן שאלגוריתם SVM RFE סיפק את הביצועים הטובים ביותר, נעזרנו בפלט הסיווג שלו f(j) על מנת לאמוד קורלציות בין השאלונים ובין תוצאות ה-ASD בטבלה 6. מבט מהיר בקורלציות מראה ששיטות frison24 ו-Rawrp6 הפיקו תוצאות דומות למדי.

מעניין לציין כי ניקוד האנהדוניה החברתית חזה את תוצאות הסיווג בניסוי 2 (גוף) עבור קבוצת ה-ASD (r = 0.76, p < .01, איור 4) ועבור כל המשתתפים לאחר שהסרנו את השפעת הקבוצה (r = .56, p < .01). חשוב לציין כי גם המאפיין (trait) (p = .09) וגם מצב (state) החרדה (60(p = . היו בלתי קשורים לתוצאות הסיווג כאשר שוקלים את שתי הקבוצות. רגרסיות מרובות אישרו כי אנהדוניה חברתית חוזה את תוצאות הסיווג אצל משתתפים עם ASD (t(6) = 2.57, p = .04) בעוד שמצב חרדה (p = .31) או מאפיין חרדה (p = .21), IQ (p = .32), וגיל (p = .13) היו בלתי משמעותיים. תוצאות אלה תומכות בהשערה כי מוטיבציה חברתית הינה גורם חשוב אותו יש לשקול במחקרים העוסקים באוטיזם.

דיון

השיטה מבוססת הנתונים המוצעת במאמר זה משלבת מדידות BOLD של שני ניסויים הטרוגניים על מנת לסווג אנשים עם ASD וקבוצת הבקרה ללא כל מידע קודם, כמו לדוגמא הגדרות ROI. המקוריות בגישה זו היא כי המפות המובחנות מסתמכות על בחירת תכונות מאשר על השיטות הסטטיסטיות הרגילות בהן משתמשים לרוב בניתוחי fMRI רבי-משתנים. היתרון בגישה זו הוא כי הסטטיסטיקה המחושבת מבוססת רק על הדירוג של התכונה. כתוצאה מכך, ניתן ליישם שיטה זו בשילוב מקורות נתונים הטרוגניים כמו ניסויי fMRI שונים, סיגנלים שונים הקשורים ל-BOLD (מפות בטא, קישוריות חיוביות וכן הלאה) ואפילו מודלי דימות מוח שונים (MRI מבני, מורפומטריה מבוססת ווקסלים, MRI פונקציונאלי ו-PET). הדרישה היחידה היא כי התמונות הנוצרות בהדמיית המוח צריכות להיווצר יחד ולהיות בעלות רזולוציה מרחבית דומה, מגבלה עליה ניתן להתגבר בקלות בשלב הטרום-עיבודי באמצעות התאמה מחדש ושיטות אינטרפולציה.

נקודה חשובה היא כי הראנו שהשימוש בשיטת תיקון תנועה קפדנית יותר מאשר 6 הפרמטרים במודלי הרגרסיה, יכול לסייע בהפחתת ההשפעה של שרידי תנועת ראש על תוצאות הסיווג. השימוש ב- SVM RFE שיפר את דיוק הסיווג עבור המודלים של Rawrp6, ושיפור ביצועים זה לא נגרם בשל שרידי תנועה מכיוון ש-RFE הפחית את הקורלציה של פלט המסווגים עם פרמטרי התנועה שנראו בניסוי 1 (אך לא עם אלו בניסוי 2 או אלו שבשילוב שני הניסויים). במבט כללי, תוצאות אלו מאששות את ההנחה כי השיטה הנוכחית עשויה להפוך לכלי עזר חשוב בהסרת השפעות שרידים פוטנציאליות של תנועות ראש על בעיות סיווג הכוללות השוואה בין אנשים עם ASD (וחולים באופן כללי) לקבוצת הבקרה.

בשנים האחרונות, רוב מחקרי סיווג fMRI הסתמכו על דפוסי קישוריות פונקציונאליים במצב מנוחה ו/או ניתוחי ROI, והגיעו לדיוק קטגוריזציה הנע בין 79% ל-96%. השיטה שלנו השיגה דיוק דומה (בין 69% ל-92.3%) יותר מאשר המחקרים האחרים שהסתמכו על מדידות קישוריות במצב מנוחה. יש לציין כי אפילו אם RFE אינו קשור להישגים ברורים בכל המצבים, הדיוק הגבוה ביותר הושג באמצעות שיטה זו (92.3%). תוצאות אלה מעודדות אף יותר כאשר מתחשבים באתגרים המתודולוגיים שניצבו בפנינו: 1) הסתמכנו על מטלות שלא נועדו לניתוח דפוסים מרובי-משתנים; 2) הדגימות אותן סיווגנו היו בעלות פיזור שונה (כלומר הם נבעו ממטלות וניסויים שונים); 3) הסתמכנו על דגימות קטנות יחסית שנמצאו בחלל ממדי ביותר, דבר שייתכן וגרם ל”קללת הממדיות” (curse of dimensionality). כתגובה לאתגר זה, התוצאות מלמדות כי בחירת תכונות באמצעות SVM RFE מפחיתה את ההשפעה של קללת הממדיות על ידי בחירת סטים משניים מובחנים של ווקסלים. בתגובה לאתגר השני, גישת השילוב המוצעת אפשרה ליצור מודל עבור כל מטלה ומצב, ובכך לפתור את הבעיה של דגימות בעלות פיזור לא זהה. בהסתכלות כללית, המחקר הנוכחי מאשר כי ניתן להשתמש במסווגים על מנת לשאוב מידע ממספר רב של מאגרי BOLD מבלי להסתמך על ROI קודמים אפילו אם הם לא תוכננו במקור עבור ניתוח דפוסים מרובה-משתנים.

המטרה השנייה שלנו הייתה להעריך האם שילוב של מקורות נתונים הטרוגניים שיפר את ביצועי הסיווג וחשף מידע טופולוגי חדש. מצאנו כי הדיוק נשאר בערך אותו דבר כאשר משלבים את פלטי המסווגים של שני הניסויים. עם זאת, שיטת השילוב חשפה 50% יותר ווקסלים משמעותיים בהשוואה לשיטה המתייחסת לכל ניסוי בנפרד. ליתר דיוק, השילוב הביא להגדלה של המצבורים המשמעותיים הגדולים ביותר ולהעלמות של המצבורים הקטנים ביותר. ממצא זה מרמז כי שיטת השילוב מעדיפה את הבחירה בתכונות המובחנות הנפוצות בשני הניסויים, ומאששת את השיטה שנבחרה. האזורים שזוהו הראו עקביות מדהימה עם אזורי “המוח החברתי”, המפגינים פעילות חריגה אצל אנשים עם ASD. ליתר דיוק, מצאנו תת-פעילות של הפיוזיפורם ג’יירוס ושל אזור הפנים האוקסיפיטאלי (OFA), שניהם לוקחים חלק בתהליכי זיהוי פנים; של ה-STS האחורי, הממלא תפקיד בעיבוד של כיוון המבט, הפגנת רגשות ותנועה ביולוגית; ושל ה-TPJ, שהוא חלק מרשת שיוך המצב הרגשי).

לבסוף, על מנת לבדוק את התוקף הקליני של המסווגים, בדקנו את הקורלציה של תוצאות המסווגים עם מידע פנוטיפי. התמקדנו בחוסרים של מוטיבציה חברתית, שהם ללא ספק מימד חשוב של הפנוטיפ  ASD,  ומצאנו כי תוצאות המסווגים בשיטת השילוב היו בעלי קורלציה עם תוצאות המוטיבציה החברתית. בניגוד לגישה ממדית זו, מחקרים בעבר בחרו להתמקד בדיאגנוזה כללית. אנדרסון (Anderson 2011( וקוטאנש, לדוגמא, מצאו כי תוצאות המסווגים שלהם היו בעלות קורלציה עם תוצאות ADOS כוללות. בדומה לכך, דשפנדה (Deshpande 2013) מצא כי התכונות בעלות הדירוג הגבוה ביותר של מדידת קישוריות היו בעלות קורלציה חיובית לתוצאות המאפיינים של אוטיסטים (AQ). בהתאמה למסגרת ה- RDoC (קריטריוני תחום המחקר של NIMH), ברצוננו להדגיש כי ההסתכלות בממדים רלוונטיים של התנהגות במקום בדיאגנוזה כללית הינה גישה מבטיחה להבנה של השורשים הביולוגיים של ASD, ובסופו של דבר, לזיהוי של ביו-מרקרים.

לסיכום, המחקר הנוכחי מראה כי RFE היא גישה מעניינת לשאיבת מידע ממספר מאגרי נתונים ולחקר של א-טיפוסיות מוחית אצל אנשים עם ASD או מצבים פסיכיאטריים אחרים (לדוגמא דיכאון). במאמר זה, אזורים חברתיים במוח זוהו כמובחנים ביותר. ממצא זה, לעומת זאת, הינו רק הצעד הראשון בזיהוי של ביו-מרקרים פוטנציאליים: ראשית, גודל הדגימה שלנו היה מוגבל יחסית, דבר המנע מאיתנו לתפוס את ההטרוגניות הכה אופיינית ל-ASD; שנית, חשוב יותר, השווינו משתתפים עם ASD רק לקבוצת הבקרה של אנשים בעלי התפתחות נורמאלית, כלומר אנחנו לא יודעים אם דפוס המוח המובחן שזיהינו הוא ספציפי לאנשים עם ASD. זהירות מתבקשת זו הודגשה לאחרונה על ידי גולדני (Goldani 2014) שציין כי “עלינו להיות סבלניים בחיפושנו אחרי ביו-מרקרים של אוטיזם”.  

סיווג אנשים אוטיסטים וקבוצת הבקרה באמצעות אפיון הצלבת-מטלות של פעילות fMRI

כללי

ניתוח דפוסים מרובה-משתנים (multivariate pattern analysis, MVPA) יושם בהצלחה במדידות fMRI (functional magnetic resonance imaging, דימות תהודה מגנטית תפקודי) בזמן מטלות ובזמן מנוחה, על מנת לבדוק אילו מרקרים (markers) מוחיים מבדילים בין אנשים עם הפרעות מהספקטרום האוטיסטי (ASD) לבין קבוצת הבקרה. בעוד שמרבית המחקרים התמקדו בקישוריות מוחית בזמן אפיזודות של מצב מנוחה ובגישת תחום העניין (region of interest, ROI), קיים בנוסף מאגר נרחב של נתוני fMRI מבוססי-מטלות בנוגע לאוכלוסיות אלו, שנאסף בעשור האחרון. מצב זה דורש יישום שיטות היכולות להשתמש במידע הקיים לא רק ממאגר בודד, אלא ממספר מאגרי נתונים החולקים תכונות וביו-מרקרים משותפים. אנחנו מציעים גישה מבוססת נתונים (על בסיס ווקסל) אותה ניישם לגבי שני ניסויי fMRI שונים עם גירויים חברתיים (פרצופים וגוף). השיטה, המבוססת על מכונות וקטורים תומכים (support vector machines, SVM) ושלילה רקורסיבית (recursive feature elimination, REF), עוברת תחילה אימון עבור כל ניסוי בנפרד ולאחר מכן הפלטים משולבים על מנת להפיק פלט סיווג סופי.  שנית, פלט RFE זה משמש לקבוע אילו ווקסלים נבחרים במידה המרבית עבור הסיווג, על מנת ליצור מיפוי של פעילות מובחנת משמעותית. לבסוף, על מנת לבדוק את התוקף הקליני של גישה זו, נבדוק את הקורלציה של המידע הפנוטיפי עם תוצאות הסיווג. הממצאים מראים כי דיוק הסיווג הוא גבוה (טווח בין 69% ל-92.3%). יותר מכך, הצלחנו לזהות דפוסי פעילות מובחנת הנוגעים למוח החברתי, ללא הסתמכות על הגדרות ROI קודמות. לבסוף, מוטיבציה חברתית הייתה המימד היחיד עם קורלציה לתוצאות הסיווג, ממצא המלמד כי זהו המימד העיקרי אותו מצליחים המסווגים להגדיר. באופן כללי, אנחנו מאמינים כי שיטת ה-RFE הנוכחית הוכיחה עצמה כיעילה ועשויה לסייע בזיהוי  ביו-מרקרים רלוונטיים על ידי שימוש במאגרי מידע של fMRI מבוססי-מטלות בקרב אוכלוסיות פסיכיאטריות.

הקדמה

זיהוי ביו-מרקרים במדע הפסיכיאטריה הינו אתגר שעמד במרכז מחקרים רבים בעשור האחרון. גישות רבות יושמו על מנת להתמודד עם אתגר זה, כולל ניסיונות לזיהוי ביו-מרקרים גנטיים, במטבוליזם או בדימות מוחי. בכל הנוגע ל-fMRI, ההתפתחויות האחרונות בשיטות MVPA בנתוני דימות מוחי נראית כגישה מבטיחה. אחד היתרונות העיקריים של שיטות אלה הוא כי הרגישות למידע היא גבוהה בהרבה בהשוואה לגישות של משתנה-בודד, בהן משתמשים לרוב במדעי המוח. ספציפית, למידת מכונה (machine learning) מאפשרת להשיג דפוסי מידע...

295.00 

מק"ט feddd987c6fd קטגוריה
מק"ט feddd987c6fd קטגוריה

295.00 

סיוע בכתיבת עבודה מקורית ללא סיכונים מיותרים!

כנסו עכשיו! הצטרפו לאלפי סטודנטים מרוצים. מצד אחד עבודה מקורית שלכם ללא שום סיכון ומצד שני הקלה משמעותית בנטל.