Cluster failure: Why fMRI inferences for spatial extent have inflated false-positive rates

[betashort]

0. 論文情報・リンク

論文リンク：https://www.pnas.org/content/113/28/7900 公開日時： July 12, 2016 実装コード： Publication : PNAS

1. どんなもの？

2. 先行研究と比べてどこがすごいの？

3. 技術や手法の"キモ"はどこにある？

4. どうやって有効だと検証した？

5. 議論はあるか？

6. 次に読むべき論文はあるか？

7. 実装

8. 参考文献

[betashort]

Google翻訳メモ

5%の誤検出 最大で70% これらの結果は、多くのfMRI研究の妥当性を疑問視し、弱く有意な神経画像の結果の解釈に大きな影響を与える可能性がある。

最も広く使用されているタスク機能的磁気共鳴画像fMRI分析では、様々な仮定に依存するパラメトリック統計手法を使用している。 Family Wise Error rate、ノンパラメトリック順列法を計算する。 パラメトリック統計手法は、ボクセルワイズ推論では、保守的であり、クラスターワイズ推論では無効であると示される。 無効なクラスター推論の主な原因は、仮定されたガウス形状に従わない空間的自己相関関数であることが示唆されています。 比較すると、ノンパラメトリック順列検定では、ボクセルワイズおよびクラスターワイズの推定の名目上の結果が得られる。 これらの発見は、ニューロイメージングの分野で使用されている統計的手法を検証する必要性を物語っている。

SPMの単純な時間的自己相関モデルが原因である可能性が高いため、予想される5％と比較して最大70％の高い誤検出が見つかりました。

この研究の主なアイデアは、以前の研究（14）。推定タスク設計を使用して静止状態のfMRIデータを分析し、家族ごとのエラー（FWE）、1つ以上の誤検出の可能性を制御する結果を生成し、有意な結果をもたらす分析の割合としてFWEを経験的に測定します結果。

驚いたことに、パラメトリック手法は、クラスターごとの推論に対して非常に高い誤検出率（公称5％と比較して最大70％）を与える可能性があります。

最近の241のfMRI論文のサンプルの約40％は、多重比較の修正を報告しませんでした（26）。 fMRIの文献は、ここで見られるよりもさらに悪い偽陽性率に苦しんでいます

[betashort]

Leter : fMRI clustering and false-positive rates

https://www.pnas.org/content/pnas/114/17/E3370.full.pdf 最近、Eklundら(1)は、標準的なfMRIパッケージのクラスタリング手法を解析した。AFNI（我々が管理している），FSL，SPMのクラスタリング手法を解析した．彼らは，(i)従来の手法における偽陽性率（FPR）は大きく上昇しており，「数え切れないほど発表されているfMRI研究」の妥当性に疑問を呈していること，(ii)ノンパラメトリック手法は有効だが若干保守的なFPRを生成すること，(iii)一般的な仮定の欠陥は，fMRIノイズの空間自己相関関数（ACF）がガウス型であること，(iv)AFNIの3dClustSimの15年前のバグが，他のソフトウェアと比較して「特に高い」FPRを生成する原因となっていること，を主張している．我々はref. 1 [Beijing_Zangのデータ(2), ref. 3) のシミュレーションを繰り返し，それぞれの点について簡単にコメントする．

[betashort]

Leter : Controversy in statistical analysis of functional magnetic resonance imaging data

https://www.pnas.org/content/114/17/E3368

fMRIデータ解析における統計的手法の妥当性を検証するために、Eklundら(1)は初めてシミュレーションデータではなく大規模な実験データを用いた。安静時のfMRI測定値を用いて、タスクによる活性化がないという帰無仮説を表現し、パラメトリック法とノンパラメトリック法の両方について、ボクセルベースの推論とクラスターベースの推論のファミリーワイズの誤差率を比較した。Eklundらの研究では、3つのfMRI統計解析パッケージを用いた。彼らの研究では、家族単位の誤差率を5%とした場合、パラメトリック法では無効なクラスタベースの推論と保守的なボクセルベースの推論が得られることがわかった。

Eklundら(1)は、無効なクラスターベースの推論は、パラメトリックモデルの空間自己相関関数の二乗指数構造の仮定が間違っていることに起因するとしている。著者らは、目標とする誤差率を達成するためのより適切な方法としてノンパラメトリック法を提案し、fMRIデータ解析のための統計的手法は検証されるべきであると結論づけている。さらに、Eklundらは、彼らの発見は「約40,000件のfMRI研究の妥当性を疑問視しており、神経画像診断結果の解釈に大きな影響を与える可能性がある」と述べている(1)。この論文の「意義」の部分の一文がマスコミに取り上げられ、広く使われているデータ解析パッケージのバグのために、fMRI解析では誤った結果が得られるという憂慮すべきネガティブな見出しが付けられました(2⇓-4)。Eklundらは、論文の修正で所見の意味合いに関する外挿を修正し(5)、40,000件のfMRI研究ではなく、3,500件のfMRI研究に適用される可能性があると報告しています(6)。しかし、今回の修正が発表される前には、元の論文はデータ解析やfMRI所見の正確性についてかなりの議論を巻き起こしていました(2⇓-4)。

元の論文の誇張とその後のメディアの注目は、脳機能を研究する技術としてのfMRIに疑問を投げかけ、認知神経科学の分野にダメージを与えた可能性さえあります(2⇓-4)。PNASでは、Coxら(7)とKesslerら(8)が原著論文とその改訂について明確な説明をしています。Eklundらはその反論を加えている(9)。いくつかの科学的なポイントは、今ではほとんど解決されています。残る疑問は、この論争から他に何を学ぶことができるかということである。

fMRIは脳の機能や行動との関係を理解するために非常に重要な手法です。この25年の間に、この手法を用いた科学的な進歩は目覚ましいものがあります。今後も進歩を続けていくためには，実験装置，実験プロトコル，データ解析パラダイムなどが専門家によって吟味され，正しく機能しているかどうかを確認する必要があります．同時に、実験者はfMRIのプロセスについて十分な知識を持ち、一般的に使用されている統計的手法の適用方法と解釈方法をしっかりと理解していなければなりません(10⇓-12)。いくつかのソフトウェアプログラムによる解析の容易さは、手法の複雑さを物語っています。この使い勝手の良さは、確立された統計的原則を用いて結果を検証する責任を実験者から解放するものではありません(12, 13)。ノンパラメトリック手法の賢明な使用は、Eklundら(1)が示唆しているように、特定のケースでは現在の分析パラダイムを改善することができます。しかし、ノンパラメトリック手法の適用は普遍的な解決策ではありませんし、また、Eklundら（1）はそれが可能であることを示唆していません。

fMRIデータは生物物理学、神経解剖学、神経生理学、統計学（実験計画、統計モデル化、データ解析）が関与する複雑なプロセスであり、信号対雑音比が低い（14, 15）。そのため、fMRIの基礎となる生物物理学、神経生理学、神経解剖学のすべてを駆使して、実験計画、統計モデルの作成、データ解析を行い、S/N比の向上と情報抽出を行う必要があります。より精度の高いfMRIデータ解析を実現するためには、物理学者、統計学者、神経科学者が協力して、現在のアプローチをより深く問い直し、より精度の高い解析手法を構築する必要があります。

理想的なfMRI統計解析では、ボクセル間の関係は、実験の空間的・時間的特性とスキャナの熱雑音を考慮したものである(16)。実験の空間的・時間的特性は，特定の行動課題によって引き起こされる生理的変化（神経活動，血流，血中酸素濃度）と，背景となる脳領域の生理的活動と解剖学的構造（白質，灰白質，脳室，血管）によって決定される．理想的なfMRIの取得方法は、これらの空間的・時間的過程の特徴を明らかにし、その後のデータ解析にこれらの過程を正しく反映させることである(16)。fMRIの統計的手法を改善するためには，血中酸素濃度依存性信号の意味・起源を解明する研究と，タスク関連活動の時空間的特性，背景となる生理的活動，スキャナの特性を明らかにする研究を組み合わせることが必要である．データと方法を共有することで，検証が大幅に促進される(9)．

NIH Brain Initiative の報告書である BRAIN 2025 は、神経科学の新しいツールの開発から得られるデータを適切に収集、分析、解釈するために、神経科学者、物理学者、エンジニア、統計学者、数学者の間で学際的なコラボレーションを促進することを推奨しています(https://www.braininitiative.nih.gov/2025/)。今回の交流では、このような共同研究に最適な既存のツールとしてfMRIが挙げられています。fMRI の信号対雑音比を向上させて、あるパラダイムの中で個々の被験者についての推論を確実に行えるようにすることが目標となるかもしれません。

fMRI プロセスの詳細なモデル化に基づいた統計的手法を開発することで，有意性検定や P 値に基づく間接的なアプローチではなく，推定効果量や信頼区間，ベイズ的事後評価に基づく，より直接的で有益な推論パラダイムを用いることが可能になる．統計的手法の開発とfMRIの基礎研究を結びつけることは，より正確な解析手法を開発し，科学的解釈を正確に結果に反映させ，fMRI研究の信頼性と再現性を確保するために極めて重要である．このような指摘は以前からなされてきました。しかし，その意義については，必要とされる程度には検討されていなかったのではないでしょうか．

[betashort]

Blog

https://www.wired.co.uk/article/fmri-bug-brain-scans-results