[論文レビュー] Two step multiple comparisons procedures for positively dependent data with application to detecting differences in human brain network topologies

Djalel Eddine Meskaldji, Patric Hagmann+2 more|arXiv (Cornell University)|Jul 11, 2013

Functional Brain Connectivity Studies参考文献 23被引用数 4

ひとこと要約

本稿では、特に脳ネットワークトポロジー解析において、仮説間の正の従属関係に関する事前知識を活用することで、多重仮説検定における統計的パワーを向上させる二段階の多重比較手順を提案する。従属する検定をグループ化し、スクリーニングを緩和することで、家族誤り率（FWER）を制御しながら真の差をより効果的に検出できる。シミュレーションおよび実際の脳結合データにおいて、ボンフェローニ法などの従来手法を上回る性能を示した。

ABSTRACT

We consider the problem of testing positively dependent multiple hypotheses assuming that a prior information about the dependence structure is available. We propose two-step multiple comparisons procedures that exploit the prior information of the dependence structure, without relying on strong assumptions. In the first step, we group the tests into subsets where tests are supposed to be positively dependent and in each of which we compute the standardized mean of the test scores. Given the subset mean scores or equivalently the subsets p-values, we apply a first screening at a predefined threshold, which results in two types of subsets. Based on this typing, the original single test p-values are modified such that they can be used in conjunction with any multiple comparison procedure. We show by means of different simulation that power is gained with the proposed two-step methods, and compare it with traditional multiple comparison procedures. As an illustration, our method is applied on real data comparing topological differences between two groups of human brain networks.

研究の動機と目的

• 神経画像解析において、仮説間に正の従属関係が存在する多重仮説検定の課題に対処すること。標準的な補正手法では統計的パワーが低くなるため。
• 強い分布仮定に依存せずに、既知の従属構造を活用する手法を開発すること。
• 既存の多重比較手順よりも、人間の脳ネットワークトポロジーにおける真の差の検出を高める統計的パワーを向上させること。
• 既知のネットワーク分解構造を持つ実際の神経画像データに適用可能な実用的で柔軟なフレームワークを提供すること。

提案手法

• 脳ネットワーク領域や側頭葉など、事前知識に基づいた正の従属関係をもつ仮説をグループ化する。
• グループ内証拠を要約するためのサブセット固有の検定統計量（例：p値の標準化平均）を計算する。
• サブセットレベルのp値に基づき、事前に定めた閾値でスクリーニングを行い、サブセットを「活性」または「非活性」と分類する。
• スクリーニングの結果から導かれる緩和係数を用いて、元の単一検定のp値を修正し、任意の標準的な多重比較手順への適用を可能にする。
• 修正されたp値を、FWER や FDR を制御する手順（例：ボンフェローニ、ベンジャミニ＝ホッジス）と組み合わせて、誤り率を制御する。
• 最初の段階のスクリーニングの厳密さが異なる、緩和されたバージョン（RMWC、RMNC、RMIO）を導入し、ネットワーク分解の信頼性に応じて柔軟に適用可能にする。

実験結果

リサーチクエスチョン

• RQ1 事前知識に基づく正の従属関係を活用する二段階の多重比較手順は、多重仮説検定における統計的パワーを向上させることができるか？
• RQ2 提案手法は、標準的な二段階手順（AWA）およびボンフェローニなどの従来手法と比較して、脳ネットワークトポロジーにおける真の差の検出に優れているか？
• RQ3 ネットワーク分解の選択（例：側頭葉、皮質階層）が、緩和された二段階手順の性能にどの程度影響を与えるか？
• RQ4 正の従属性が存在する状況でも、強力な誤り率制御（FWER や FDR）を維持しながら、パワーを向上させることができるか？

主な発見

• 提案された二段階手順は、すべてのシミュレーション状況において、標準的な二段階手順（AWA）を一貫して上回る統計的パワーを示した。
• 緩和された手順（RMWC、RMNC、RMIO）は、ネットワーク分解が信頼できる場合、AWA よりも真の差の検出において顕著な向上を示した。
• 実際の脳ネットワークデータにおいて、本手法は AWA やボンフェローニ法よりも多くの有意な結合とノードを検出できた。特に、分解が信頼できる場合には RMWC が最も高い感度を示した。
• 緩和された手法と AWA が全サンプルを用いて行う際の共通の棄却数は、常に高く維持されており、手法の堅牢性と一貫性を示している。
• γ=0.5 の SU 手順は、ボンフェローニと LSU の中間的な性能を示し、中程度のパワーと誤り率制御を達成した。
• 本手法は、従属構造を戦略的に活用することで、家族誤り率（FWER）を強く制御しながら、検出パワーを顕著に向上させている。