Haberler

Nörogörüntüleme analizine yeni bir yaklaşım

California Üniversitesi San Diego Tıp Fakültesi’nden bir grup sinir bilimci, beyin araştırmacısı arkadaşlarının çoğunun çalışmalarını yeniden canlandıracağına inandıkları bir nörogörüntüleme yaklaşımını uyguladı.

Dergide yayınlanan çalışmaları Beyin zarı, biliş ve davranışsal değişkenlerin unsurlarını tahmin etmek için nörogörüntüleme verilerinin kullanımına yönelik bir yöntemin ana hatlarını çizmektedir. Teknik, çeşitli davranışlarla ilişkileri bulmak için beyinlerin yaygın olarak kullanılan manyetik rezonans görüntülerinin (MRI’ler) incelenmesini ve ardından bu ilişkilerden elde edilen tahminlerin bağımsız, görünmeyen bir örneğe uygulanmasını içerir.

UC San Diego Tıp Fakültesi Radyoloji Bölümü’nde doktora sonrası araştırmacı olan Carolina Makowski (Ph.D.), araştırmacıların, kısa süreli hafıza da dahil olmak üzere davranış ve yeteneklerdeki rollerini belirlemek amacıyla beynin belirli yapılarını incelemek için genellikle MRI’ları kullandıklarını açıklıyor. , problem çözme yeteneği veya çok çeşitli bilişsel işlevler.

Makalenin ilk yazarı ve sorumlu yazarı Makowski, grubun çalışmasının, binlerce katılımcıyı içermediği sürece nörogörüntüleme çalışmalarının anlamlı sonuçlar veremeyeceği yönündeki yaygın inancın etrafında bir yol gösterdiğini söyledi.

Makowski, “Binlerce bireye sahip olmak her zaman mümkün olmuyor” dedi. “Daha küçük veri kümelerine dayanan çok sayıda çalışma ve hibe var.”

Çalışma ekibi, birkaç düzine kadar az katılımcının yer aldığı çalışmalarda çok değişkenli yöntemlerin doğru kullanımının tatmin edici sonuçlar verdiğini buldu. Makowski’ye göre tipik nörogörüntüleme çalışmaları, beyindeki bir nokta ile bir davranış arasındaki korelasyonu veya ilişkiyi test eden tek değişkenli analizlerle çalışır. “Bu durumda evet, çalışmaya binlerce katılımcıya ihtiyacınız olabilir.”

Çok değişkenli çalışmaların bir çağrışım modelini ele aldığını açıklıyor. Ek olarak Makowski, grubun göreve dayalı fonksiyonel MRI verilerine odaklanarak korelasyon ve ilişkilendirmenin en büyük etkilerini gördüğünü söyledi. “Bu, çalışan hafıza süreçlerinden yararlanan bir görev için özellikle güçlüydü” dedi. “Bu görev etkinleştirme kalıpları genel bilişin ve aynı zamanda aslında görevin bir parçası olan ilgili davranışın öngörüsüdür.”

UC San Diego’da bilişsel bilim, psikiyatri ve radyoloji profesörü ve İnsani Gelişme Merkezi direktörü olan ortak yazar Terry L. Jernigan, Ph.D., ekibin daha küçük veri kümelerinden iyi sonuçlar alabildiğini ekledi. Çok değişkenli analiz yöntemlerini kullanarak büyük veri setlerini “eğitmek ve ayarlamak”. Ekip, eğitim için dokuz ve on yaşındaki yaklaşık 12.000 çocuğun MRI’larının bir özeti olan Ergen Beyin Bilişsel Gelişimi (ABCD) çalışma veritabanını kullandı.

“Tahmin etmeyi umduğumuz karmaşık sonuçlarla ilgili, özellikle iyi yapılandırılmış çok sayıda veri olduğunda, büyük bir veri kümesini ‘eğitmek’ için genellikle yapay zeka olarak anılan çok değişkenli yöntemleri kullanabiliriz.” dedi Jernigan. Büyük bir veri kümesindeki seçilmiş ilişkilerin “ayarlanmasının”, daha küçük çalışmalara uygulandığında tahmin gücünü keskinleştirdiğini ekledi.

Makowski, genel olarak eğitim örneği ne kadar büyük olursa, gerçek çalışmanın da o kadar küçük olabileceğini, ancak başlangıçta güçlü etkilerle çalışıyorsanız eğitim örneğinin bile mutlaka binlerce kişiyi içermesi gerekmediğini ekledi.

“Yani, genel bilişi tahmin ederken, eğitim örneğinde 5.000 çocuk varsa, kopyalamada sadece 40 çocukla çalışma belleğiyle ilgili beyin aktivasyonundan bilişi tahmin edebilirsiniz. Eğitim örneğindeki 100 çocukta bile hâlâ bunu başarabiliyorduk. aynı beyin aktivasyon modellerini kullanarak kopyalamada sadece 60 çocukla bilişi oldukça iyi tahmin etmek” dedi.

UC San Diego’da nörobilim, psikiyatri, bilişsel bilim ve veri bilimi profesörü, kıdemli ve ortak yazar Anders M. Dale, Ph.D., grubun yönteminin bilim adamlarının ABCD veri tabanının tüm potansiyelinden yararlanmalarına yardımcı olacağını söyledi. mamut çalışmasının farklı sağlık sonuçlarıyla ilgili daha küçük bölümlerine odaklanmaları.

“İlk etapta ABCD’nin bu kadar büyük olmasının bir nedeni var” dedi. “Bunun nedeni aslında bireylerin bir alt kümesindeki etkilere bakabilmek istemenizdi. Biz madde kullanımı sonuçları, psikiyatrik sonuçlar, demans gibi şeylere bakmak istiyoruz. Bu yüzden bu şekilde tasarlandı.”

Dale, küçük örneklem yaklaşımının tahmin gücünün, genetik çalışmalar veya diğer görüntüleme türleri gibi diğer analiz türleri ile desteklendiğinde artırılabileceğini ekledi.

Ortak yazar, Nörobilim Bölümü’nde araştırmacı olan Ph.D. Tim Brown, grubun yayınının, dünyanın dört bir yanındaki beyin araştırmacılarının 2022’de yalnızca çok büyük bilgiler içeren bir makale tarafından kapatıldığına inandıkları kapıları yeniden açması açısından önemli olduğunu söyledi. veritabanları değerli sonuçlar üretebilir.

“Çalışmalarında binlerce birey bulunmayan bir sürü hibe sahibiniz var” dedi. “Ve birdenbire onlara şunu söylüyorlar: ‘Tekrarlanabilir işler yapamazsınız.’ Burada gösterdiğimiz şey, beyin çapında tekrarlanabilir ilişkilendirme çalışmalarının binlerce kişiye ihtiyaç duymadığıdır.”



Kaynak ve İleri Okuma: https://medicalxpress.com/news/2024-06-approach-neuroimaging-analysis.html

İlgili Makaleler

Başa dön tuşu