[ad_1]
نقشه برداری مغز شامل یافتن نواحی مغزی مرتبط با صفات مختلف مانند بیماری ها، عملکردهای شناختی یا رفتارها است و یکی از زمینه های اصلی تحقیق در علوم اعصاب است. این رویکرد مبتنی بر مدل های آماری است و در معرض سوگیری های متعددی است. برای مقابله با آنها، محققان تیم ARAMIS، یک تیم مشترک بین موسسه مغز پاریس و اینریا، و همکارانشان در دانشگاه کوئینزلند (استرالیا) و دانشگاه Westlake (چین)، مدل آماری جدیدی را برای نقشهبرداری مغز پیشنهاد کردند. نتایج در منتشر شده است مجله تصویربرداری پزشکی.
نقشه برداری از مغز
نقشه برداری از مغز چالشی است که بسیاری از محققان علوم اعصاب را در سراسر جهان بسیج می کند. هدف این رویکرد شناسایی نواحی مغز مرتبط با صفات مختلف مانند بیماری ها، امتیازات شناختی یا رفتارها است. این نوع مطالعه به عنوان “مطالعه ارتباط گسترده مغز” نیز شناخته می شود و بر غربالگری جامع نواحی مغز برای شناسایی موارد مرتبط با ویژگی مورد علاقه تکیه دارد.
Baptiste Couvy-Duchesne (اینریا) توضیح می دهد: “مشکل این است که ما به دنبال یک سوزن در انبار کاه هستیم، با این تفاوت که نمی دانیم چند سوزن وجود دارد، یا در مورد ما، چند ناحیه مغز برای یافتن وجود دارد.” )، نویسنده اول مطالعه.
مواجهه با چالش های افزونگی سیگنال
اولین چالش در تعداد اندازه گیری های مغزی موجود برای هر فرد است که می تواند به سرعت به یک میلیون یا بیشتر برسد. علاوه بر این، مناطق مغز با یکدیگر در ارتباط هستند. برخی از مناطق به شدت متصل و مرتبط با بسیاری دیگر هستند، مانند گره ها در یک شبکه. با این حال، برخی دیگر بیشتر منزوی هستند، یا به این دلیل که مستقل از سایر مناطق مغز هستند یا به این دلیل که به ویژگی های شناختی بسیار خاص یا عملکرد مغز کمک می کنند.
محقق ادامه می دهد: «اگر ناحیه مغزی مرتبط با ویژگی مورد علاقه ما بخشی از یک شبکه بسیار متصل باشد، تجزیه و تحلیل تمایل به شناسایی کل شبکه دارد، زیرا سیگنال در مناطقی که با یکدیگر مرتبط هستند منتشر می شود. که ممکن است در نگاه اول بسیار قوی به نظر برسد، در واقع زائد است. پس چگونه میتوانیم منطقه یا مناطقی را پیدا کنیم که واقعاً به ویژگی مورد علاقه در شبکه کمک میکنند؟
برای حل این مشکل، محققان روشهای آماری جدیدی را پیشنهاد میکنند که برای تصویر با ابعاد بالا و همچنین برای مدلسازی ساختار همبستگی پیچیده در مغز مناسب است.
شبیه سازی برای توسعه روش های آماری جدید
به منظور آزمایش روش های آماری توسعه یافته، محققان به داده های بسیار کنترل شده نیاز دارند. Baptiste Couvy-Duchesne توضیح میدهد: «ما نمیتوانیم روشها را مستقیماً روی صفات یا بیماریهای واقعی مقایسه کنیم، زیرا نمیدانیم قرار است چه چیزی پیدا کنیم. یک روش میتواند 10 ناحیه مرتبط با یک صفت را پیدا کند، و دیگری 20 منطقه را پیدا کند، اگرچه نمیتوانیم بگوییم کدام یک پاسخ صحیح را میدهد.
کلید حل این مشکل استفاده از شبیه سازی است. محققان از تصاویر واقعی مغز استفاده میکنند، اما بیماریهای جعلی یا نمرات جعلی را مطالعه میکنند که آنها را ساختهاند تا با دهها یا صدها منطقه از پیش تعریفشده مغز مرتبط باشند. به این ترتیب، آنها میتوانند بررسی کنند که آیا روشهای آماری مناطق مورد انتظار را شناسایی میکنند یا خیر، اما همچنین میتوانند مناطق دیگر را شناسایی کنند (“مثبت کاذب”).
یک روش قوی تر و سوالات باز
هنگامی که روش آنها از طریق این شبیهسازیها کالیبره شد (که نشان داد رویکرد پیشنهادی دقیقتر از روشهای موجود است)، محققان از صفات واقعی به عنوان اعتبار استفاده کردند. این محقق نتیجه می گیرد: “روش جدید ما به طور متوسط مناطق کمتری را پیدا می کند زیرا می تواند برخی از ارتباط های اضافی را حذف کند. قدم بعدی استفاده از آن برای مطالعه بیماری آلزایمر است.”
یک نتیجه اصلی این مطالعه نشان دادن چگونگی فراگیر بودن ارتباط های زائد با استفاده از روش های آماری فعلی است. بنابراین، بسیاری از پیوندهای شناسایی شده تا به امروز ممکن است مستقیماً برای صفت مورد مطالعه مرتبط نباشند. علاوه بر این، عوامل متعددی که کنترل آنها دشوار است می تواند بر کیفیت MRI تأثیر بگذارد، مانند حرکات سر یا نوع ماشین های مورد استفاده، که می تواند مشکل را تشدید کند و منجر به تداعی های نادرست شود. فراتر از توسعه روش های تجزیه و تحلیل دقیق تر، موضوع کیفیت داده ها و همگنی بسیار مهم است.
شبیهسازیهای ریاضی نور جدیدی بر جراحی صرع میافکند
باپتیست کووی-دوشن و همکاران، مدل پارسیمونیوس برای تحلیل رئوس تک متغیره جرم، مجله تصویربرداری پزشکی (2022). DOI: 10.1117/1.JMI.9.5.052404
ارائه شده توسط Institut du Cerveau (موسسه مغز پاریس)
نقل قول: یک روش آماری جدید برای بهبود نقشه برداری مغز (2022، 23 مه) در 23 مه 2022 از https://medicalxpress.com/news/2022-05-statistical-method-brain.html بازیابی شده است.
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.
[ad_2]