Unified Multi-Cohort Harmonisation and Normative Modelling of Neuroimaging Data via Hierarchical GAMLSS

Deze studie introduceert een hiërarchisch GAMLSS-framework dat neurobeeldvormingsdata uit meerdere cohorten effectief harmoniseert en normatieve modellen genereert, waarbij het de beperkingen van bestaande ComBat-methoden overwint door niet-Gaussische verdelingen en cohort-effecten in alle distributieparameters te modelleren.

De kern

De "Vertaler" voor Hersenfoto's: Hoe deze nieuwe methode verschillende hersenstudies samenvoegt

Stel je voor dat je een enorme puzzel probeert te leggen, maar de stukjes komen uit zes verschillende dozen. Elke doos heeft een iets andere kleur, een andere textuur en de stukjes zijn net iets groter of kleiner dan die in de andere dozen. Als je deze stukjes direct aan elkaar probeert te plakken, krijg je een rommelig plaatje.

Dit is precies het probleem in de wetenschap van hersenonderzoek. Wetenschappers nemen MRI-scanfoto's van mensen van alle leeftijden (van kinderen tot bejaarden) in verschillende landen. Maar elke scanmachine (scanner) is anders, elke onderzoeksgroep maakt de foto's op een iets andere manier, en soms zit er zelfs een andere software tussen. Dit zorgt voor "ruis" in de data. Het is alsof je probeert de temperatuur te meten met zes verschillende thermometers die allemaal net even anders kalibreren.

Het oude probleem: De "ComBat"-methode
Tot nu toe gebruikten wetenschappers een populaire methode die ComBat heet. Je kunt dit zien als een simpele "grootte-aanpasser". Als de ene scanner alles 10% te groot weergeeft en de andere 10% te klein, past ComBat dit aan.

Maar ComBat heeft een groot nadeel: het gaat ervan uit dat alle hersenmetingen eruitzien als een perfecte, symmetrische klokvorm (zoals een normaal verdeling). In het echt zijn veel hersenmetingen echter niet symmetrisch. Denk aan witte vlekjes in de hersenen (die vaak weinig voorkomen maar dan wel heel groot kunnen zijn) of bepaalde hersenstructuren die nooit negatief kunnen zijn (je kunt geen -5 cm hersenweefsel hebben). ComBat probeert deze complexe vormen toch als een simpele klokvorm te behandelen, wat soms leidt tot onzin-resultaten, zoals negatieve volumes (alsof je hersenweefsel verdwijnt).

De nieuwe oplossing: GAMLSS (De slimme vertaler)
De auteurs van dit artikel hebben een nieuwe, veel slimmere methode bedacht, genaamd GAMLSS.

Stel je ComBat voor als een vertaler die alleen woorden kan vertalen, maar niet de toon van de stem. GAMLSS is daarentegen een meester-vertaler die niet alleen de woorden, maar ook de toonhoogte, de snelheid en de emotie van de zin begrijpt.

Hier is hoe het werkt, in drie simpele stappen:

1. Het begrijpen van de vorm: In plaats van te zeggen "laten we alles maar even aanpassen alsof het een klokvorm is", kijkt GAMLSS eerst precies naar de vorm van de data. Is het een scheve berg? Is het een lange staart? GAMLSS past de wiskundige "kleding" aan die precies bij die vorm past.
2. Het verwijderen van de "scanner-ruis": De methode berekent precies hoeveel verschil er door de scanner zelf wordt veroorzaakt (de "batch-effecten") en haalt dit eruit, zonder de echte biologische signalen (zoals ouder worden of man/vrouw verschillen) aan te raken.
3. De terugkeer naar de realiteit: Na het aanpassen, zet GAMLSS de getallen weer terug naar de oorspronkelijke eenheid (bijvoorbeeld millimeters of kubieke millimeters), zodat artsen en onderzoekers ze nog steeds kunnen begrijpen.

Wat leverde dit op?
De onderzoekers testten deze nieuwe methode op een enorme dataset van bijna 90.000 scans van zes verschillende grote studies (waaronder de UK Biobank en het ABCD-studie). Ze vergeleken het met de oude methoden en ontdekten:

• Minder data-verlies: De oude methoden gooiden soms veel data weg omdat ze "negatieve volumes" produceerden (wat onmogelijk is). GAMLSS hield bijna al zijn data behouden.
• Betere biologische signalen: De nieuwe methode hield de echte veranderingen in de hersenen (zoals hoe de hersenen krimpen naarmate je ouder wordt) veel beter intact. Het was alsof ze de ruis verwijderden zonder het muziekje te verstoren.
• Twee vliegen in één klap: Naast het harmoniseren van de data, geeft deze methode direct ook een "normatieve score". Dit is als een "gezondheidscheck" voor je hersenen: hij vertelt je of jouw hersenmaatjes binnen het normale bereik liggen voor jouw leeftijd, of dat ze afwijken.

Conclusie
Kortom, deze studie introduceert een nieuwe, flexibele "vertaler" voor hersenfoto's. Waar de oude methoden soms te simpel waren en complexe hersenstructuren verkeerd interpreteerden, kan deze nieuwe methode elke vorm van hersenmeting correct aanpassen. Hierdoor kunnen wetenschappers nu veel betrouwbaarder grote groepen mensen over de hele wereld vergelijken, wat essentieel is voor het vinden van oorzaken van ziektes zoals dementie of depressie.

Het is alsof ze eindelijk een universele meetlat hebben gevonden die werkt, ongeacht of je meet met een liniaal van hout, plastic of metaal.

Technische samenvatting

Probleemstelling

Grootschalige neuroimaging-studies vereisen steeds vaker het samenvoegen van data uit meerdere cohorts, scanners en opnameprotocollen om statistische power te vergroten en de leeftijdsdekking te verbreden. Dit introduceren echter ongewenste technische variatie (batch-effecten) die biologische inferentie kunnen vertekenen.

• Beperkingen van bestaande methoden: De huidige standaardmethode, ComBat (en varianten zoals ComBat-GAM en ComBat-LS), is gebaseerd op empirische Bayes-methoden die voornamelijk werken onder de aanname van een Gaussische verdeling. Ze corrigeren doorgaans alleen de eerste twee momenten van de verdeling (locatie/middelpunt en schaal/variatie).
• De uitdaging: Veel neuroimaging-phenotypes (zoals witte stof hypointensiteiten of ventrikelvolumes) vertonen complexe verdelingen met scheefheid (skewness) en kurtosis, en zijn vaak begrensd bij nul. Bestaande methoden kunnen deze hogere-orde momenten niet adequaat modelleren, wat leidt tot het verliezen van biologische signalen, het creëren van ongeldige negatieve waarden na harmonisatie, en het vervormen van leeftijdsgerelateerde trajecten. Daarnaast zijn methoden voor normatieve modellering (het berekenen van afwijkingsscores) vaak gescheiden van de harmonisatiestap, wat kan leiden tot signalverlies.

Methodologie

De auteurs introduceren een unificerend hiërarchisch GAMLSS-framework (Generalised Additive Models for Location, Scale, and Shape) voor zowel multi-cohort harmonisatie als normatieve modellering.

1. Data: De methode werd getest op een gepoolde longitudinale dataset van 88.126 observaties uit zes cohorts (ABCD, IMAGEN, NCANDA, LIFE, UK Biobank, MAS), variërend van kindertijd tot late ouderdom. Er werden 237 structurele MRI-kenmerken geanalyseerd (corticale dikte, volume, oppervlakte en subcortical volumes).
2. Modelarchitectuur:
   • In plaats van alleen de gemiddelde en variantie te corrigeren, modelleert GAMLSS cohort-effecten direct binnen alle parameters van de verdelingsfunctie (locatie, schaal, scheefheid en kurtosis).
   • Het framework gebruikt een distributie-selectie hiërarchie:
     • Primair: De vier-parameter Sinh-Arcsinh (SHASH) verdeling, die asymmetrie en zware staarten kan modelleren zonder voorafgaande kennis van de richting van de afwijking.
     • Secundair: Generalised Gamma verdeling (als SHASH niet convergeert).
     • Tertiair: Normale verdeling (als fallback).
   • Random Effects: Cohort-specifieke random intercepts worden opgenomen in de submodellen voor locatie, schaal en vormparameters om verschillen tussen cohorts te schatten.
3. Harmonisatieproces:
   • Quantile Mapping: Cohort-effecten worden verwijderd door de geschatte random effects op de link-schaal op nul te zetten (vergelijkbaar met shrinkage in ComBat). Vervolgens worden de waarden teruggemapt naar de oorspronkelijke meeteenheid via de kwantiel-functie (inverse CDF) van de aangepaste verdeling. Dit behoudt de rangorde van individuen binnen hun cohort.
   • Normatieve Scores: Omdat het model de volledige conditionele verdeling schat, kunnen normatieve afwijkingsscores (z-scores) direct worden afgeleid uit dezelfde fit, zonder een aparte stap.
4. Vergelijking: De methode werd vergeleken met drie ComBat-varianten: klassiek ComBat, ComBat-GAM (niet-lineaire leeftijdseffecten) en ComBat-LS (locatie-schaal correctie).

Belangrijkste Bijdragen

1. Unificatie: Het koppelen van harmonisatie en normatieve modellering in één enkel statistisch kader, wat signalverlies door twee-staps processen voorkomt.
2. Distributie-flexibiliteit: Het vermogen om niet-Gaussische verdelingen (scheef, leptokurtisch, begrensd) direct te modelleren, in plaats van te forceren naar een Gaussische vorm.
3. Behoud van schaal: Het teruggeven van geharmoniseerde waarden op de oorspronkelijke meeteenheid (bijv. mm³), wat essentieel is voor downstream analyses en visualisatie, terwijl ComBat vaak alleen genormaliseerde scores oplevert.
4. Behoud van biologische signalen: Het framework is ontworpen om complexe leeftijdsgerelateerde trajecten (zoals exponentiële toename van witte stof hypointensiteiten) te behouden, zelfs bij sterke niet-lineariteit.

Resultaten

De evaluatie toonde aan dat GAMLSS superieur of gelijkwaardig presteerde aan de ComBat-methoden op cruciale metrieken:

• Data Retentie: GAMLSS behield bijna alle geldige observaties (verlies < 0,01%). ComBat en ComBat-GAM verloren significant meer data (tot 0,11%), vooral bij sterk rechtsscheve kenmerken zoals witte stof hypointensiteiten, omdat deze methoden ongeldige negatieve waarden genereerden.
• Verwijdering van Batch-effecten:
  • GAMLSS bereikte een bijna volledige verwijdering van cohort-effecten (gemiddelde cohort R² increment < 0,001).
  • Hoewel ComBat-GAM de laagste Kolmogorov-Smirnov (KS) statistieken had (wat wijst op sterke distributie-overeenkomst), deed dit ten koste van de data-integriteit en de vorm van de leeftijdscurves.
• Behoud van Biologisch Signaal:
  • Leeftijdsassociaties: GAMLSS behield de sterkste correlaties met leeftijd (hoogste Spearman-rangcorrelaties) en presteerde het beste in een multivariate XGBoost-leeftijdsvoorspellingsmodel (laagste MAE: 4,20 jaar).
  • Geslachtsverschillen: Alle methoden behielden geslachtsverschillen goed, maar GAMLSS toonde geen systematische attenuatie.
  • Trajecten: Bij visuele inspectie van leeftijdscurves (bijv. witte stof hypointensiteiten) behield GAMLSS de biologisch plausibele exponentiële curve over de levensduur. ComBat-methoden veroorzaakten vervormingen, zoals onrealistische oscillaties bij jongere cohorts of afgevlakte curves bij oudere cohorts.

Significantie en Conclusie

De studie demonstreert dat hiërarchisch GAMLSS een flexibel en praktisch alternatief biedt voor bestaande ComBat-gebaseerde methoden, vooral voor neuroimaging-kenmerken met complexe, niet-Gaussische verdelingen.

• Praktische impact: Het biedt onderzoekers een manier om data te harmoniseren zonder biologische signalen te verliezen of ongeldige waarden te genereren, terwijl het direct ook normatieve afwijkingsscores levert.
• Toekomstperspectief: Hoewel de huidige implementatie cross-sectioneel is (gebaseerd op data die al binnen-cohort is geharmoniseerd), legt het de basis voor toekomstige volledig geïntegreerde longitudinale modellen. De methode is essentieel voor de groeiende behoefte aan betrouwbare "brain charts" en biomarker-onderzoek in grote, multi-site populatiestudies.

Kortom, GAMLSS lost het fundamentele probleem op dat batch-effecten niet alleen de gemiddelde en variantie beïnvloeden, maar ook de vorm van de verdeling, en biedt een oplossing die zowel statistisch robuust als biologisch plausibel is.