Multivoksel mønster analyse av fMRI data

Hva er multiovksel mønster analyse (Multi-voxel pattern analysis (MVPA)) av fMRI data

Blood oxygen level dependent (BOLD) målt med funksjonell MR (BOLD fMRI) har tradisjonelt sett blitt brukt som et mål på hjerneaktivering ved å se på endring i BOLD signalet for en bestemt perseptuell, motor eller kognitiv oppgave innad i hver enkelt voksel, som typisk er fra 2- 3mm3 (Univariate analyser). I senere år, har det imidlertid kommet teknikker som gjør det mulig å undersøke om en oppgave også gir opphav til unike BOLD aktiveringsmønster på tvers av vokslene, uavhengig av styrken på aktiveringen innad i hver voxel (Figur 1) (Haxby et al., 2014; Kriegeskorte and Kievit, 2013). Dette blir kalt Multi-voxel pattern analysis (MVPA). MVPA analyser gjør det mulig å avdekke hvordan hjernen representerer informasjon på tvers av ulike voxler, noe som blir ekstra viktig for BOLD fMRI siden BOLD signalet for hver enkelt voxel ofte er lavt. MVPA kan også brukes opp imot andre typer fMRI data og strukturelle MR data.


Figure 1. BOLD signal endringer relatert til stimuli. Bildet viser hvordan BOLD signalet endrer seg for et sett av voksler i hjernen (se firkanter overlagt anatomisk bilde), når personen ser en elefant for eksempel. Økningen i BOLD signalet for hver enkelt voksel er veldig lavt, mest sannsynligvis underterskelverdien for signifikant aktivering. Allikevel  kan man klare å plukke opp et unikt aktiveringsmønster eller aktiverings signatur når man ser på endringer i  BOLD signalet i disse vokslene sammen ved å bruke «multi-voxel pattern analysis».

Ulike tilnærminger

MVPA analysene vil typisk foregå ved å undersøke BOLD aktiveringsmønstre innenfor et forutbestemt anatomisk område i hjernen (anatomisk ROI analyse), eller for hver enkelt voksel i hjernen undersøker aktiveringsmønstre for de omkringliggende vokslene (Searchlight analyse) (Kriegeskorte et al., 2006). Hovedargumentet imot anatomisk ROI analyse er at en anatomiske ROIene ofte er for store da kun er en del av et anatomisk område er aktivt for en bestemt oppgave (Carr et al., 2010; Kriegeskorte et al., 2006; Poldrack and Mumford, 2009).

Multivariate noise normalization

Når man undersøker BOLD aktiveringsmønstre i hjernen så er det viktig å korrigere for kovarians mellom ulike voksler i hjernen. Slik kovarians mellom voksler kan oppstå fordi vokslene for eksempel blir forsynt og tømt av de samme blodkarene. metoden for å korrigere for slik kovarians korreksjonen blir kalt «multivariate noise normalization», og har vist å gi mer reliable MVPA resultater (Walther et al., 2016).

Anvendelsesområder

Per i dag brukes MVPA analyser i hovedsak til forskning, ofte som et supplement til univariate analyser i forbindelse med BOLD fMRI. Imidlertid har man i de senere år, fått eksempler på at metoden kan predikere hvem med mild kognitiv svikt (MCI) som vil utvikle Alzheimers sykdom og ikke (Klöppel et al., 2015). Forskning har også beskrevet unike mønstre på tvers av ulike voksler i hjernen for andre nevrodegenerative og psykiatriske lidelser, som Parkinson, depresjon, schizofreni, autisme, og ADHD (Arbabshirani et al., 2017). Metoden regnes derfor å ha et enormt potensial for framtidig klinisk bruk til diagnostikk og oppfølging.

Utfordringer ved metoden

- Krever omfattende analyse, og det finnes ennå få retningslinjer for valg av metode.

- Det finnes enda ingen programvare som ikke krever individuell tilpasning og programmeringsferdigheter.

- Resultatene kan være vanskelige å tolke. Resultatene består av ulikheten i aktiveringsmønstre mellom ulike eksperimentelle betingelser, og da kan det være vanskelig å vite hvilken av de eksperimentelle betingelsene som fører til ulikheten i aktiveringsmønstre.

- Det er viktig med et paradigme som muliggjør sammenligning mellom minst tre betingelser, siden resultatene består av ulikheten i aktiveringsmønstre mellom ulike eksperimentelle betingelser. Hvis ikke, så vil man ikke være i stand til å si noe om hvilken betingelse(s) som førte til ulikhetene i aktiveringsmønstre.

Programvare

 

Referanser

Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls. Arbabshirani et al (2017)

Imaging the Human Medial Temporal Lobe with High-Resolution fMRI. Carr et al (2010)

Decoding Neural Representational Spaces Using Multivariate Pattern Analysis. Haxby (2014)

Applying Automated MR-Based Diagnostic Methods to the Memory Clinic: A Prospective Study. Klöppel et al (2015).

Information-based functional brain mapping. Kriegeskorte et al (2006)

Representational geometry: integrating cognition, computation, and the brain. Kriegeskorte et al (2013)

Independence in ROI analysis: where is the voodoo? Poldrack et al (2009).

Reliability of dissimilarity measures for multi-voxel pattern analysis. Walther et al (2016).