[論文レビュー] Spatial Multiresolution Cluster Detection Method

Lingsong Zhang, Zhengyuan Zhu|arXiv (Cornell University)|May 9, 2012

Data-Driven Disease Surveillance参考文献 17被引用数 3

ひとこと要約

本稿では、ベルヌーイ、ポアソン、正規分布のための多スケール尤度比検定を用いて、不規則な形状のクラスタを空間データから同定する空間的マルチスケールクラスタ検出（MCD）手法を提案する。近隣のばらつきを測定することで最適な検定閾値を選択することで、MCD手法は非円形クラスタの検出力を向上させつつ計算効率を維持し、シミュレーションおよびfMRIデータ解析において、空間スキャン統計およびFDR制御付き単一スケール検定を上回る性能を示す。

ABSTRACT

A novel multi-resolution cluster detection (MCD) method is proposed to identify irregularly shaped clusters in space. Multi-scale test statistic on a single cell is derived based on likelihood ratio statistic for Bernoulli sequence, Poisson sequence and Normal sequence. A neighborhood variability measure is defined to select the optimal test threshold. The MCD method is compared with single scale testing methods controlling for false discovery rate and the spatial scan statistics using simulation and f-MRI data. The MCD method is shown to be more effective for discovering irregularly shaped clusters, and the implementation of this method does not require heavy computation, making it suitable for cluster detection for large spatial data.

研究の動機と目的

• 従来の空間スキャン統計が円形や楕円形などの固定された窓形状に起因して不規則な形状のクラスタを検出できないという限界を解決すること。
• False Discovery Rate（FDR）を制御する単一位置の多重検定手法に見られる空間的連続性の欠如を克服すること。
• 空間的依存性を活用して、複雑なクラスタ形状の検出力を高める計算効率の良い手法を開発すること。
• 複数比較補正に依存せずに感度と特異度のバランスを取るグローバルばらつき測度を導入すること。
• ベルヌーイ、ポアソン、正規分布を含むさまざまな指数型分布族に適用可能な柔軟なスケール空間ベースのフレームワークを提供すること。

提案手法

• ベルヌーイ、ポアソン、正規分布の3つの分布に対して、さまざまな空間窓サイズで適用可能な多スケール検定統計量を尤度比統計量に基づいて導出する。
• 5セル近隣（中心および4つの隣接セル）を用いて局所的検定統計量を計算し、空間的不均一性を評価する。
• 5セル近隣における局所平均からの二乗偏差の和として、局所的ばらつき測度を定義し、境界効果を検出する。
• 境界点と非境界点の間のグローバルばらつき比較を用いて最適な検定閾値を選択することで、誤検出を低減する。
• 漸近的分布理論を用いて、さまざまなクラスタ構成（ノイズ、境界、シグナル領域）における検定統計量の期待値と分散を導出する。
• 中心極限定理の近似を用いて、サンプルサイズが増加するにつれて、ノイズ、境界、シグナル領域における平均検定統計量が確率的に分離可能であることを示す。

実験結果

リサーチクエスチョン

• RQ1 固定形状のスキャン統計と比較して、不規則な形状の空間クラスタの検出力を多スケールアプローチが向上させられるか？
• RQ2 近隣のばらつきを介した空間的依存性の統合が、計算効率を維持しつつ非円形クラスタの検出を向上させられるか？
• RQ3 グローバルばらつき測度が、複数比較補正に代わって効果的に機能し、特異度を損なわずに信号をノイズから区別できるか？
• RQ4 FDR制御付きの単一位置検定と比較して、MCD手法は空間的に連続した不規則なクラスタをどれほど効果的に同定できるか？
• RQ5 真のクラスタ形状が円形や楕円形から逸脱している場合、この手法はどの程度の統計的パワーを維持できるか？

主な発見

• MCD手法は、真のクラスタ形状が非楕円形である場合、空間スキャン統計と比較して優れた性能を示す。
• 多スケールおよび空間的に適応的な検定統計量のおかげで、境界が複雑な場合でも高い統計的パワーを維持する。
• シミュレーション結果から、平均検定統計量がノイズ、境界、シグナル領域で確率的に分離可能であることが示された：$ E\big(\text{Ave}_{\text{noise}} T\big) < E\big(\text{Ave}_{\text{boundary}} T\big) < E\big(\text{Ave}_{\text{signal}} T\big) $、サンプルサイズが増加するにつれて確率的収束が成立する。
• ばらつきに基づく閾値選択は、信号とノイズを効果的に区別でき、$ P\big(\text{Ave}_{\text{boundary}} \tilde{V} - \text{Ave}_{\text{non-boundary}} \tilde{V} > 0\big) \to 1 $ が成立する。ここで $ \frac{\nu^2 N p_B (1-p_B)}{8 + 4(1-p_B)} \to \nu^2 $ が成り立つため、高い検出力を保証する。
• 本手法は計算的に効率的で、すべての可能な窓形状とサイズを網羅的にスキャンする必要がないため、大規模な空間データセットにもスケーラブルに適用可能である。
• fMRIデータ解析において、MCD手法は空間スキャン統計およびFDRベースの手法が見逃した生物学的に妥当な活性クラスタを効果的に同定した。