[논문 리뷰] Two step multiple comparisons procedures for positively dependent data with application to detecting differences in human brain network topologies

Djalel Eddine Meskaldji, Patric Hagmann외 2명|arXiv (Cornell University)|2013. 07. 11.

Functional Brain Connectivity Studies참고 문헌 23인용 수 4

한 줄 요약

이 논문은 뇌 네트워크 구조 분석에서 다중 검정의 통계적 검정력을 향상시키기 위해 가설 간 양적 상관관계에 대한 사전 지식을 활용하는 이단계 다중 비교 절차를 제안한다. 종속된 검정을 그룹화하고 걸러내기 기준을 완화함으로써, 가족별 오류율(FWER)을 통제하면서 진짜 차이를 더 잘 탐지할 수 있도록 한다. 시뮬레이션과 실제 뇌 연결성 데이터에서 기존의 보너페리 방법보다 우수한 성능을 보였다.

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.

연구 동기 및 목표

• 뇌영상에서 가설 간 양적 상관관계가 있는 다중 검정 문제를 해결하여 기존의 보정 방법이 낮은 통계적 검정력을 초래하는 문제를 해결한다.
• 강한 분포 가정에 의존하지 않고 알려진 상관관계 구조를 활용하는 방법을 개발한다.
• 기존의 다중 비교 절차보다 더 높은 통계적 검정력을 확보하여 인간 뇌 네트워크 구조의 진짜 차이를 탐지한다.
• 이미 알려진 네트워크 분해 구조가 있는 실제 뇌영상 데이터에 적용 가능한 실용적이고 융통성 있는 프레임워크를 제공한다.

제안 방법

• 뇌 네트워크 영역이나엽과 같은 사전 지식에 기반해 가설을 하위 집단으로 그룹화한다.
• 하위 집단 내 증거를 요약하기 위해 하위 집단별 검정 통계량(예: p-값의 표준화된 평균)을 계산한다.
• 사전에 정해진 임계값에서 첫 번째 단계 걸러내기를 적용하여 하위 집단을 '활성' 또는 '비활성'으로 분류한다. 이는 하위 집단 수준의 p-값에 기반한다.
• 걸러내기 결과에서 유도된 완화 계수를 사용해 원래의 단일 검정 p-값을 수정함으로써, 어떤 표준 다중 비교 절차에도 적용 가능하게 한다.
• 수정된 p-값을 FWER 또는 FDR 통제 절차(예: 보너페리, 벤자민-호크베르그)와 함께 사용하여 오류율을 통제한다.
• 첫 번째 단계 걸러내기의 엄격함에 따라 다양하게 설정된 완화된 변형(예: RMWC, RMNC, RMIO)을 도입하여 네트워크 분해에 대한 신뢰도에 따라 유연성 있게 적용한다.

실험 결과

연구 질문

• RQ1 사전 지식에 기반한 양적 상관관계를 활용하는 이단계 다중 비교 절차가 다중 검정에서 통계적 검정력을 향상시킬 수 있는가?
• RQ2 제안된 방법이 뇌 네트워크 구조의 진짜 차이를 탐지하는 데 있어 표준 이단계 절차(AWA)와 보너페리와 같은 전통적 보정 방법보다 어떻게 비교되는가?
• RQ3 네트워크 분해 방식(예: 엽, 피질 계층)의 선택이 완화된 이단계 절차의 성능에 얼마나 큰 영향을 미치는가?
• RQ4 양적 상관관계가 존재하는 상황에서, 강력한 오류율 통제(FWER 또는 FDR)를 유지하면서도 검정력을 높일 수 있는가?

주요 결과

• 제안된 이단계 절차는 모든 시뮬레이션 시나리오에서 표준 이단계 절차(AWA)보다 일관되게 높은 통계적 검정력을 보였다.
• 완화된 절차(RMWC, RMNC, RMIO)는 네트워크 분해가 신뢰할 만할 경우 AWA에 비해 진짜 차이 탐지에서 뚜렷한 성능 향상을 보였다.
• 실제 뇌 네트워크 데이터에서는 AWA와 보너페리보다 더 많은 유의미한 연결과 노드를 탐지했으며, 분해가 신뢰할 수 있을 경우 RMWC가 가장 높은 민감도를 보였다.
• 완화된 방법과 전체 표본을 사용한 AWA 간 공통으로 기각된 가설의 수가 일관되게 높아, 방법의 강건성과 일관성을 시사했다.
• γ=0.5인 SU 절차는 보너페리와 LSU 사이의 중간 수준의 검정력과 오류율 통제를 보였으며, 중간 정도의 성능을 나타냈다.
• 이 방법은 양적 상관관계의 구조를 전략적으로 활용함으로써 가족별 오류율(FWER)을 강력하게 통제하면서도 검정력을 크게 향상시켰다.