[论文解读] FMRI Clustering and False Positive Rates

Robert W. Cox, Gang Chen+3 more|arXiv (Cornell University)|Feb 16, 2017

Functional Brain Connectivity Studies参考文献 2被引用 10

一句话总结

本文通过重新评估Eklund等人（2016年）的模拟结果，挑战了fMRI聚类方法中虚假阳性率（FPR）被夸大的惊人说法。研究证明，AFNI的3dClustSim程序中的错误仅对FPR产生轻微影响，非参数随机化方法能保持名义上的FPR，且FPR的膨胀通常较轻微且依赖于具体情境，尤其是在使用更严格的阈值和事件相关设计时。

ABSTRACT

Recently, Eklund et al. (2016) analyzed clustering methods in standard FMRI packages: AFNI (which we maintain), FSL, and SPM [1]. They claimed: 1) false positive rates (FPRs) in traditional approaches are greatly inflated, questioning the validity of "countless published fMRI studies"; 2) nonparametric methods produce valid, but slightly conservative, FPRs; 3) a common flawed assumption is that the spatial autocorrelation function (ACF) of FMRI noise is Gaussian-shaped; and 4) a 15-year-old bug in AFNI's 3dClustSim significantly contributed to producing "particularly high" FPRs compared to other software. We repeated simulations from [1] (Beijing-Zang data [2], see [3]), and comment on each point briefly.

研究动机与目标

• 重新评估参数化fMRI聚类方法产生令人担忧的高虚假阳性率（FPR）的说法的有效性，特别是针对AFNI。
• 研究AFNI的3dClustSim中一个15年历史的错误对FPR估计的影响。
• 评估假设空间自相关函数（ACF）呈高斯形状对fMRI噪声中FPR估计的影响。
• 测试非参数随机化方法在复杂模型下维持名义FPR的能力。
• 通过强调中位数和百分位数范围而非最大值，提供对FPR膨胀现象更平衡的解读。

提出的方法

• 使用北京-臧fMRI数据集重新运行Eklund等人模拟的FPR，比较AFNI、FSL和SPM之间的差异。
• 对比AFNI的3dClustSim中‘有错’和‘已修复’两个版本的FPR，以量化该错误的影响。
• 从残差中构建具有更重尾部的实证‘混合ACF’，以评估非高斯噪声平滑性的影响。
• 在AFNI的3dttest++中实现一种无需空间模型假设的非参数随机化方法，以在无参数假设下估计FPR。
• 使用每个像素的p值为0.01和0.001来评估不同实验设计下的FPR表现。
• 分析块设计和事件相关设计下的FPR，以评估时间频率对空间平滑性的影响。

实验结果

研究问题

• RQ1 AFNI的3dClustSim中15年历史的错误在多大程度上导致了fMRI聚类中FPR的膨胀？
• RQ2 假设空间自相关函数（ACF）呈高斯形状，对fMRI噪声中FPR估计有何影响？
• RQ3 非参数随机化方法是否能在多种fMRI分析模型下维持名义FPR？
• RQ4 在相同的模拟框架和实验条件下，AFNI、FSL和SPM的FPR有何差异？
• RQ5 标准fMRI软件中的FPR真实膨胀程度是多少？这种膨胀是否在所有条件下都同样严重？

主要发现

• AFNI的3dClustSim中的错误仅产生轻微影响，使FPR在p=0.01时增加≤3–5%，在p=0.001时增加≤1–2%。
• AFNI、FSL-OLS和SPM的FPR基本一致，p=0.01时为20–40%，p=0.001时为5–15%，与AFNI存在‘特别高’FPR的说法相矛盾。
• 使用具有更重尾部的实证‘混合ACF’后，FPR降低，表明非高斯噪声平滑性显著影响聚类结果。
• 3dttest++中实现的非参数随机化方法将FPR保持在名义置信区间内，支持其在聚类推断中的有效性。
• FPR膨胀通常≤10%（北京数据）或≤5%（剑桥数据），尤其在使用更严格的每个像像素p值和事件相关设计时，挑战了FPR高达70%的说法。
• 非参数方法观察到的最大FPR为40%，表明参数化方法的FPR并未显著劣于金标准非参数方法。