Traveling Subject (TS) 法による機種間差補正法

 多施設データセットを用いた個人ベースの統計学では、同じ装置やプロトコルで脳MRI画像を取得した場合においても、各サイトのデータにはMRIスキャナやプロトコル由来のバイアス(測定バイアス)や参加者に由来するバイアス (標本バイアス) があるため、不要なバイアスを除去する“ハーモナイゼーション”のアプローチが必要です。ハーモナイゼーションは、施設を共変量とした一般線形モデル (GLM)、ベイズアプローチ (Fortin et al., 2018; Fortin et al., 2017)、メタ分析アプローチ (Okada et al., 2016; van Erp et al., 2016) などが提案されてきましたが、これらの方法では2つのバイアスを区別することができません (Yamashita et al., 2019)。もし大規模なサンプルのデータセットが利用可能であれば、機械学習と深層学習による施設間交差検証を用いることで、特別な準備を要さずバイアスを除去することができます (Nunes et al., 2018)。しかしこの方法は画像間で安定した特徴を抽出して用いるため、部分的な情報だけで更なる分析を行うのには限界があります。加えて、その方法によって得られた判別器を最初の多施設プロジェクトの独立した新しい施設に適用できるという研究はほとんどありません。

 トラベリングサブジェクト(TS)アプローチは、施設間差を統制するための強力な研究デザインです(図)。このアプローチでは、すべての施設で同じ参加者からのMRI画像が必要となります。そのためこの方法は上述のハーモナイゼーション法と比較して、施設や参加者の労力が大きく、分析を始める前にTSのスキャンを完了させる必要があります。しかしTSアプローチは、施設間で全く同じ参加者になるので標本バイアスをゼロにできることから、標本バイアスと測定バイアスを区別することができます (Yamashita et al., 2019)。先行するAMED脳プロBMI課題 (https://bicr.atr.jp/decnefpro/) では、複数の施設で複数の精神疾患患者および健常者を対象に安静時fMRIと構造MRIを撮像し、それらの施設で9人のTS参加者がMRI計測を繰り返し行いました。各参加者群(統合失調症、うつ、自閉症と健常者)の測定バイアスと標本バイアスは、個人要因と (疾患判別のターゲットである) 疾患特有の因子から分離されました。例えば、特定の疾患と相関のある測定バイアスと標本バイアスのどちらかが、安静時fMRIから計算した安静時機能結合を用いた疾患判別器の精度 (accuracy) の偏りをもたらす可能性があり、一方、相関しない場合には感度 (sensitivity) を低下させる可能性があります。その結果、両方のバイアスの安静時機能結合に対する効果が疾患特異的因子より同等かそれ以上であることが示されました。測定バイアスに関しては、ベンダー、コイル、同一ベンダーのスキャナの違いと比較して、位相エンコードの方向の違いが最も大きい効果量を示しました。ハーモナイゼーション法は測定バイアスを29%低減し、信号対雑音比を40%改善すると推定されます。

Case-control studies and traveling subject approach.

(References)

  • Fortin, J. P., Cullen, N., Sheline, Y. I., Taylor, W. D., Aselcioglu, I., Cook, P. A., . . . Shinohara, R. T. (2018). Harmonization of cortical thickness measurements across scanners and sites. Neuroimage, 167, 104-120. doi:10.1016/j.neuroimage.2017.11.024
  • Fortin, J. P., Parker, D., Tunc, B., Watanabe, T., Elliott, M. A., Ruparel, K., . . . Shinohara, R. T. (2017). Harmonization of multi-site diffusion tensor imaging data. Neuroimage, 161, 149-170. doi:10.1016/j.neuroimage.2017.08.047
  • Nunes, A., Schnack, H. G., Ching, C. R. K., Agartz, I., Akudjedu, T. N., Alda, M., . . . Group, E. B. D. W. (2018). Using structural MRI to identify bipolar disorders – 13 site machine learning study in 3020 individuals from the ENIGMA Bipolar Disorders Working Group. Mol Psychiatry. doi:10.1038/s41380-018-0228-9
  • Okada, N., Fukunaga, M., Yamashita, F., Koshiyama, D., Yamamori, H., Ohi, K., . . . Hashimoto, R. (2016). Abnormal asymmetries in subcortical brain volume in schizophrenia. Mol Psychiatry, 21(10), 1460-1466. doi:10.1038/mp.2015.209
  • van Erp, T. G., Hibar, D. P., Rasmussen, J. M., Glahn, D. C., Pearlson, G. D., Andreassen, O. A., . . . Turner, J. A. (2016). Subcortical brain volume abnormalities in 2028 individuals with schizophrenia and 2540 healthy controls via the ENIGMA consortium. Mol Psychiatry, 21(4), 547-553. doi:10.1038/mp.2015.63
  • Yamashita, A., Yahata, N., Itahashi, T., Lisi, G., Yamada, T., Ichikawa, N., . . . Imamizu, H. (2019). Harmonization of resting-state functional MRI data across multiple imaging sites via the separation of site differences into sampling bias and measurement bias. PLoS Biol, 17(4), e3000042. doi:10.1371/journal.pbio.3000042
タイトルとURLをコピーしました