gms | German Medical Science

MAINZ//2011: 56. GMDS-Jahrestagung und 6. DGEpi-Jahrestagung

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

26. - 29.09.2011 in Mainz

Verhalten multipler Testprozeduren bei Anwendung auf hochdimensionale korrelierte fMRT-Daten

Meeting Abstract

Search Medline for

  • Snezhana Weston - Otto-von-Guericke-Universität Magdeburg, Magdeburg
  • Daniela Adolf - Otto-von-Guericke-Universität Magdeburg, Magdeburg
  • Siegfried Kropf - Otto-von-Guericke-Universität Magdeburg, Magdeburg

Mainz//2011. 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi). Mainz, 26.-29.09.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11gmds042

DOI: 10.3205/11gmds042, URN: urn:nbn:de:0183-11gmds0428

Published: September 20, 2011

© 2011 Weston et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung: Die funktionelle Magnetresonanztomographie (fMRT) stellt ein leistungsfähiges Werkzeug für die Untersuchung der Gehirnfunktion dar. Mittels fMRT können die Daten eines einzelnen Probanden im Rahmen einer sogenannten first-level-Analyse auf Aktivität untersucht werden. Dies erfolgt in der Regel anhand eines univariaten allgemeinen linearen Modells, in dem die Zeitreihe der aufeinanderfolgenden Aufnahmen als n Stichprobenelemente für jedes einzelne der insgesamt p Voxel (Volumenelement im Gehirn) betrachtet wird. Die fMRT-Daten sind üblicherweise durch eine hohe Dimension (p>n) sowie räumliche und zeitliche Abhängigkeiten charakterisiert. Die zeitliche Korrelation wird meist anhand eines autoregressiven Prozesses erster Ordnung modelliert. Da eine große Zahl von Voxeln parallel betrachtet wird, entsteht bei der univariaten Analyse die Notwendigkeit einer Adjustierung für multiples Testen.

Methoden: Es werden drei verschiedene multiple Testverfahren, die auf datenabhängig geordneten oder gewichteten Hypothesen basieren, auf korrelierte Stichproben angepasst und dann auf echte und simulierte fMRT-Daten angewendet. Bei der ersten Testprozedur werden die Variablen in Abhängigkeit von totalen Abweichungsquadraten sortiert und solange geprüft, wie signifikante Ergebnisse auftreten [1]. Beim zweiten Verfahren erhalten die Variablen vor dem Sortieren spezielle aus den Daten gewonnene Gewichte [2]. Die dritte multiple Testprozedur, die ebenfalls auf dem datengetriebenen Ordnungsprinzip basiert, erlaubt ein „Überspringen“ von einer bestimmten Anzahl nicht-signifikanter Ergebnisse (Hommel und Kropf, 2005). Zur Anpassung der zeitlichen Korrelation werden für alle Prozeduren unterschiedliche Korrekturmethoden angewendet und ihr Verhalten bezüglich der multiplen Fehler 1. und 2. Art untersucht.

Ergebnisse: Die Ergebnisse der originalen multiplen Testverfahren weisen bei korrelierten Stichprobenelementen starke Überschreitungen des Testniveaus auf. Diese Verletzung des Testniveaus kann durch Anwendung der betrachteten Korrekturmethoden verringert werden. Beim Gütevergleich der Prozeduren kann festgestellt werden, dass das Einbeziehen der Informationen von den totalen Abweichungsquadraten in die multiplen Testprozeduren einen nachweisbaren Gewinn gegenüber klassischen Methoden liefert, wobei durch eine geeignete Parametrisierung bei der gewichteten und der Sprungprozedur die höchste Güte erzielt wurde.

Die entsprechenden Methoden liefern auch bei Anwendung auf reale fMRT-Daten bessere Ergebnisse.


Literatur

1.
Kropf S. Hochdimensionale multivariate Verfahren in der medizinischen Statistik. Aachen: Shaker Verlag; 2000.
2.
Westfall PH, Kropf S, Finos L. Weighted FWE-controlling methods in high-dimensional situations. Recent Developments in Multiple Comparison Procedures Institute of Mathematical Statistics. Monograph Series. 2004;47.
3.
Friston K, Ashburner J, Kiebel S, Nichols T, Penny W. Statistical Parametric Mapping – The Analysis of Functional Brain Images. Amsterdam: Academic Press; 2007.
4.
Kropf S, Läuter J. Multiple Tests for Different Sets of Variables Using a Data-Driven Ordering of Hypotheses, with an Application to Gene Expression Data. Biometrical Journal. 2002;44:1-12.