[论文解读] Using EEG, SPECT, and Multivariate Resampling Methods to Differentiate Between Alzheimer's and other Cognitive Impairments

Arne C. Bathke, Sarah Friedrich+5 more|arXiv (Cornell University)|Jun 29, 2016

Advanced Statistical Methods and Models参考文献 41被引用 4

一句话总结

本研究提出了一种新颖的多变量重抽样方法，结合脑电图（EEG）和单光子发射计算机断层扫描（SPECT）数据，并采用因子设计，以在不假设多变量正态性或等协方差矩阵的前提下，区分阿尔茨海默病（AD）与轻度认知障碍（MCI）及主观认知障碍（SCC）。该方法可实现对组间与组内因素（如诊断、年龄、性别）的稳健推断，结果表明EEG在区分早期痴呆阶段方面表现优异，且在不同年龄和性别群体中具有稳定的诊断效用。

ABSTRACT

The incidence of Alzheimer's disease (AD) and other forms of dementia is increasing in most western countries. For a precise and early diagnosis, several examination modalities exist, among them single-photon emission computed tomography (SPECT) and the electroencephalogram (EEG). The latter is highly available, free of radiation hazards, and non-invasive. Thus, its diagnostic utility regarding different stages of dementia is of great interest in neurological research, along with the question of whether its utility depends on age or sex of the person being examined. However, SPECT or EEG measurements are intrinsically multivariate, and there has been a shortage of sufficiently general inferential techniques for the analysis of multivariate data in factorial designs when neither multivariate normality nor equality of covariance matrices across groups should be assumed. We adapt an asymptotic model based (parametric) bootstrap approach to this situation, demonstrate its ability, and use it for a truly multivariate analysis of the EEG and SPECT measurements, taking into account demographic factors such as age and sex. These multivariate results are supplemented by marginal effects bootstrap inference whose theoretical properties can be derived analogously to the multivariate methods. Both inference approaches can have advantages in particular situations, as illustrated in the data analysis.

研究动机与目标

• 开发一种针对EEG和SPECT数据在因子设计下的稳健多变量推断框架，尤其在经典多元方差分析（MANOVA）假设（多变量正态性、等协方差矩阵）被违反时仍有效。
• 评估EEG和SPECT在区分阿尔茨海默病（AD）与轻度认知障碍（MCI）及主观认知障碍（SCC）方面的诊断效用，特别是在早发性痴呆中。
• 探究EEG和SPECT的诊断性能是否因年龄和性别而异，以及诊断、年龄与性别之间是否存在影响生物标志物表达的交互作用。
• 将现有基于重抽样的推断方法扩展至包含组内因素（如多个EEG导联或频段）及其与组间因素的交互作用。
• 为临床神经科学中的多变量神经影像数据提供一种实用且可推广的统计方法，尤其适用于不平衡或非正态设计。

提出的方法

• 将渐近模型为基础的（参数型）自展法适配于因子设计中的多变量响应，无需依赖多变量正态性或协方差矩阵齐性假设。
• 将自展法应用于检验组间因素（诊断、年龄、性别）及其交互作用的多变量假设，采用封闭检验程序控制家庭错误率。
• 通过建模重复测量结构，将方法扩展至包含组内因素（如EEG电极位置、频段、SPECT区域），实现轮廓分析。
• 通过边际效应自展推断补充多变量推断，该方法对响应变量之间的多重共线性不敏感。
• 采用两步推断策略：首先进行多变量检验以评估整体效应；其次进行边际检验以分析单个特征，提升结果可解释性。
• 通过模拟验证，并应用于一个包含21–256个EEG通道及脑区SPECT灌注值的真实EEG/SPECT数据集，同时校正年龄和性别因素。

实验结果

研究问题

• RQ1 EEG和SPECT数据是否能在多变量框架下可靠地区分阿尔茨海默病（AD）与轻度认知障碍（MCI）及主观认知障碍（SCC）？
• RQ2 EEG和SPECT的诊断准确性是否在不同年龄和性别群体中存在显著差异，或在人口学亚组中保持稳定？
• RQ3 诊断、年龄与性别在EEG和SPECT生物标志物表达模式中是否存在显著交互作用？
• RQ4 当正态性和同方差性假设被违反时，所提出的基于重抽样的多变量方法相较于经典MANOVA表现如何？
• RQ5 组内因素（如电极位置、频段）在区分认知障碍阶段中的贡献程度如何？

主要发现

• EEG在区分AD与MCI及SCC方面表现出强大的诊断效用，且在不同年龄和性别亚组中表现一致，表明其在早发性痴呆中具有稳定的敏感性。
• 未发现诊断与人口学因素（年龄或性别）之间存在显著交互作用，表明EEG的区分能力在这些队列中无明显差异。
• EEG和SPECT特征的实证方差-协方差矩阵在不同诊断组之间存在显著差异——差异最高可达50倍（例如，AD与SCC间第6个变量的方差分别为13.84与0.28），这否定了经典MANOVA的假设。
• 所提出的参数型自展法在非正态性和异方差性条件下仍能提供有效推断，在不平衡设计中优于经典MANOVA，表现在更优的I类错误控制和检验效能。
• 边际效应自展推断提供了互补性见解，有效降低了多重共线性的影响，增强了对单个生物标志物贡献的可解释性。
• 本研究证实，EEG是一种成本低、无创且具有重要诊断价值的工具，尤其在结合先进多变量重抽样技术后，对早期痴呆检测具有显著优势。