Estoy leyendo un artículo anterior sobre bilingüismo (Kim, Relkin, Lee y Hirsch, 1997) para un seminario. Estaban interesados en la separación espacial de dos idiomas en bilingües tempranos y tardíos. Determinaron las regiones activadas y su superposición en dos condiciones y en dos grupos.
Para determinar estas áreas, primero excluyeron todos los vóxeles donde la diferencia de respuesta BOLD con respecto a la línea de base no estaba por encima de su tasa de falsos positivos derivada empíricamente (p<0.0005) y luego usaron todos estos vóxeles como si tuvieran la misma activación para determinar el "centro de -masa".
Luego calcularon la distancia entre los centroides en las dos condiciones para medir la separación espacial y contaron los vóxeles superpuestos.
Tengo algunos problemas con este método:
También demostraron que la distancia derivada se mantuvo más de dos órdenes de magnitud en el nivel de significación, pero aun así no diferenciaron entre vóxeles altamente y no tan altamente pero aún significativamente activados. ¿Sigue siendo esto de última generación?
¿Cuáles son sus inconvenientes (mi profesor dice que todos tienen algunos, por lo que también puede usar el método de múltiples etapas mencionado anteriormente, pero este parece ser el camino más fácil)?
¿Cuál es un método bien probado para probar la separación espacial de actividad para dos condiciones? No estoy preguntando sobre la demostración de la separación funcional, pero una vez que ya no trata los vóxeles como intermitentes, calcular el grado de superposición se vuelve menos trivial.
Esta pregunta se acerca a algo que alternativamente podría publicarse en stats.stackoverflow.com. Personalmente, siempre he sentido que la aplicación de los métodos de prueba de significado de hipótesis nula (NHST) a los datos de neuroimagen hace un trabajo particularmente bueno al resaltar sus deficiencias científicas.
Personalmente, en estos días, usaría el Modelado aditivo generalizado (GAM) para analizar los datos del escaneo de un individuo y, si agregara varios escaneos espacialmente normalizados, usaría el Modelado de efectos mixtos aditivos generalizados (GAMM). En ambos enfoques, usaría un índice de probabilidad ajustado por AIC para evaluar la fuerza de la evidencia de las diferencias entre grupos/condiciones en los patrones de actividad discernidos por GAM. La investigación a posteriori de cualquier diferencia respaldada por evidencia se puede lograr mediante la visualización y el arranque paramétrico de los intervalos de confianza.
Si realmente quiere evaluar explícitamente la evidencia de una diferencia de grupo en la distancia entre las áreas de activación, entonces un enfoque es asumir un modelo a priori para la activación, digamos una mezcla de dos gaussianas trivariadas con un parámetro que especifica su separación, luego use algo así como un modelo bayesiano jerárquico para establecer intervalos creíbles sobre la diferencia entre grupos en el parámetro de separación.
¡Gran pregunta!
Para empezar, tiene toda la razón: un artículo de 1997 sobre fMRI se considera muy antiguo en lo que respecta al campo. Las técnicas estadísticas han mejorado dramáticamente desde entonces, así que, aunque no he leído el artículo en cuestión, es seguro asumir que probablemente hay muchas cosas que harían de manera diferente si el estudio se realizara hoy. De hecho, a menudo hay bastantes formas de analizar los mismos datos; algunas de mis respuestas a continuación reflejan mi propia experiencia con AFNI (los usuarios de SPM pueden usar diferentes técnicas).
parece como si estuvieran desechando mucha información al descartar todos los vóxeles donde la actividad no está por encima del nivel de probabilidad y, lo que es más importante, al tratar todos los vóxeles significativamente activados como iguales, aunque puede haber diferencias significativas en su nivel de activación.
Siguiendo el enfoque estándar de masa univariada para fMRI, no hay mucho que pueda hacer para deshacerse de los vóxeles que no están por debajo del nivel alfa. No hacerlo inflaría su tasa de error Tipo I. Existen alternativas al enfoque de masa univariada, como el análisis de patrones multivóxel (MVPA), pero cada técnica tiene sus propias fortalezas y debilidades.
En cuanto a tratar todos los vóxeles significativos de la misma manera, eso no es del todo cierto. Por lo general, se les trata igual cualitativamente: así es como funciona la prueba de hipótesis clásica. Un valor p menor que alfa significa que puede rechazar el nulo, de lo contrario no puede. No hay término medio. Además, las activaciones de vóxeles son todas relativas de todos modos (utilizando la técnica de sustracción cognitiva), por lo que los niveles de activación absolutos no siempre son informativos. Sin embargo, puede usar los niveles de activación para determinar el centroide. Así que déjame saltar a eso:
¿Cuáles son las diferentes formas de calcular los centroides sin descartar tanta información pero aún así respaldar la conclusión de manera inferencial (¿algún tipo de área de confianza espacial?)?
Después de realizar un GLM masivo para determinar los vóxeles significativos, los vóxeles se pueden agrupar. En AFNI, esto se hace utilizando un enfoque de k-vecinos; Por ejemplo, si configuro el tamaño de mi grupo en k=20, se eliminarán todos los vóxeles que no pertenezcan a un grupo de un mínimo de 20 vóxeles significativos contiguos.
El centro de cada grupo se informa con mayor frecuencia como la activación máxima en el grupo (¿ve? No todas las activaciones se tratan por igual). A veces, se informa como el centro geométrico de masa, y sí, eso es volumen, no masa real. El pico suele ser más informativo porque es más probable que la tarea que está midiendo esté funcionalmente localizada en el pico, en lugar del centro de masa. Sin embargo, el centro de masa puede darle una mejor idea de la extensión espacial de su grupo. Probablemente haya mejores justificaciones, pero eso es lo que me viene a la mente...
¿Cuál es un buen método para probar la separación espacial de actividad para dos condiciones? No estoy preguntando sobre la demostración de la separación funcional, pero una vez que ya no trata los vóxeles como intermitentes, calcular el grado de superposición se vuelve menos trivial.
En general, la separación espacial no suele ser importante. Algunas regiones funcionales son mucho más grandes que otras; puede haber una "pequeña" diferencia funcional entre los vóxeles que están separados en gran medida en la corteza motora. Pero la misma separación espacial entre vóxeles de dos estructuras citoarquitectónicas diferentes puede tener funciones radicalmente diferentes. Sin embargo, es posible que me esté perdiendo el punto aquí, si es así, aclare y trataré de ayudar ...
Jeromy Anglim
mandril sherrington