Diagnose Harmonisation (DHARM): An open-source tool for the harmonisation and analysis of batch effects in MRI-derived measures.
Dit artikel introduceert DHARM, een open-source Python-toolbox die een gestandaardiseerd, multi-criteria kader biedt voor het diagnosticeren, toepassen en evalueren van MRI-harmonisatiemethoden om technische batch-effecten effectief te verminderen terwijl biologisch betekenisvolle signalen behouden blijven.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Magnetic resonance imaging, of MRI, heeft de manier waarop we in het menselijk lichaam kijken gerevolutioneerd door een niet-invasief venster te bieden op de structuur en functie van de hersenen. Decennialang vertrouwden onderzoekers op enkele machines op enkele locaties om gegevens te verzamelen, waarbij werd gewaarborgd dat elke scan onder identieke omstandigheden werd gemaakt. Echter, naarmate de wetenschappelijke gemeenschap naar antwoorden zocht op grotere vragen over veroudering, ziekte en ontwikkeling, werd de noodzaak om gegevens van veel verschillende ziekenhuizen en scanners te combineren essentieel. De uitdaging is dat elke MRI-machine net iets anders is, en elk ziekenhuis volgt zijn eigen specifieke procedures voor het maken van beelden. Deze technische verschillen werken als een hardnekkige achtergrondruis, die systematische variaties in de gegevens creëert die niets te maken hebben met de biologie van de gescande persoon. Als een onderzoeker probeert hersenmetingen van een patiënt in Londen te vergelijken met die van iemand in Oxford, kunnen de verschillen de machines reflecteren in plaats van de patiënten, wat potentieel kan leiden tot onjuiste conclusies.
Om dit op te lossen, hebben wetenschappers statistische methoden ontwikkeld om deze technische discrepanties glad te strijken, een proces dat harmonisatie wordt genoemd. Het doel is om de ruis die door de apparatuur wordt geïntroduceerd te verwijderen, terwijl het ware biologische signaal intact blijft. Toch was er voor een lange tijd geen standaardmethode om te controleren of deze methoden daadwerkelijk werkten. Verschillende onderzoeksgroepen gebruikten verschillende tests om succes te beoordelen, wat het moeilijk maakte om te weten welke methode het beste was voor een specifieke situatie of of een methode per ongeluk belangrijke biologische details had weggevaagd tijdens het opschonen van de ruis. Dit gebrek aan een gemeenschappelijke taal voor evaluatie liet onderzoekers gissen naar de kwaliteit van hun gecombineerde datasets.
In reactie op deze onzekerheid heeft een team onderzoekers van Oxford en Nottingham een nieuwe open-source softwaretool geïntroduceerd genaamd DHARM, wat staat voor Diagnose Harmonisation. In plaats van een enkele magische oplossing te bieden, biedt deze tool een uitgebreide toolkit om precies te diagnosticeren wat voor soort technische ruis er in een dataset aanwezig is en vervolgens rigoureus te testen of een gekozen methode deze succesvol heeft verwijderd. De onderzoekers hebben DHARM gebouwd om te fungeren als een universele scheidsrechter, waardoor wetenschappers verschillende harmonisatietechnieken kunnen toepassen en vervolgens direct, via een reeks duidelijke visuele rapporten en statistische controles, kunnen zien hoe goed elk van de methoden heeft gepresteerd. De tool is ontworpen om flexibel te zijn, in staat om zowel gegevens uit een enkel moment in de tijd als gegevens die over meerdere jaren bij dezelfde mensen zijn verzameld te verwerken, waarbij de complexe relaties tussen herhaalde metingen worden gerespecteerd.
Het team demonstreerde de kracht van DHARM door het toe te passen op real-world data van verschillende grote studies, waaronder de UK Biobank en een gespecialiseerde dataset waar gezonde vrijwilligers op meerdere verschillende machines zijn gescand. Ze namen ruwe, ongeharmoniseerde data en haalden deze door vijf verschillende harmonisatiebenaderingen, variërend van eenvoudige statistische correcties tot complexere modellen die rekening houden met de vorm van de data. De resultaten toonden aan dat hoewel alle methoden goed waren in het verminderen van de meest voor de hand liggende verschillen in gemiddelde metingen, ze niet allemaal even goed presteerden op andere fronten. Sommige methoden brachten de gemiddelde waarden wel in overeenstemming, maar lieten verschillen achter in de mate waarin de data van persoon tot persoon varieerde, terwijl anderen moeite hadden om de natuurlijke relaties tussen verschillende hersenkenmerken te behouden.
Cruciaal was dat de tool aantoonde dat een methode die succesvol leek op één maatstaf, kon falen op een andere. Bijvoorbeeld, een techniek zou het gemiddelde hersenvolume over verschillende scanners heen gelijk kunnen maken, maar onbedoeld de natuurlijke variatie in die volumes kunnen verstoren of de link tussen hersengrootte en leeftijd kunnen vertroebelen. Door een batterij van verschillende tests te gebruiken, stelde DHARM de onderzoekers in staat om deze afwegingen duidelijk te zien. Ze ontdekten dat methoden die zowel de gemiddelde waarden als de spreiding van de data aanpasten, over het algemeen beter presteerden, maar zelfs de beste methoden lieten enige resterende verschillen achter, afhankelijk van de specifieke kenmerken van de scanners involved. De tool benadrukte ook dat in studies waar dezelfde mensen meerdere keren zijn gescand, het essentieel is om rekening te houden met het feit dat herhaalde scans van één persoon niet onafhankelijk zijn; het negeren hiervan kan leiden tot misleidende conclusies over hoe consistent de metingen zijn.
De demonstratie bevestigde dat er niet één enkele "beste" methode is voor elke situatie. In plaats daarvan hangt de juiste keuze af van de specifieke data die voorhanden zijn en de biologische vraag die gesteld wordt. Een methode die goed werkt voor het corrigeren van eenvoudige verschuivingen in gemiddelde waarden, is mogelijk niet geschikt voor data waar de verschillen complexer zijn of waar het biologische signaal niet-lineair is. DHARM stelt onderzoekers in staat om verder te gaan dan een 'one-size-fits-all' benadering door een transparante, op bewijs gebaseerde manier te bieden om methoden zij aan zij te vergelijken. Het stelt hen in staat om niet alleen te vragen of de ruis is verminderd, maar ook of het ware biologische verhaal duidelijk en intact is gebleven.
Door deze diverse controles te integreren in een enkele, gebruiksvriendelijke workflow, hebben de onderzoekers het veld een manier geboden om harmonisatie een betrouwbaarder en reproduceerbaarder onderdeel van het wetenschappelijke proces te maken. De tool vertelt wetenschappers niet alleen dat hun data schoner zijn; het laat hen precies zien hoe de data is veranderd en wat er is behouden. Dit niveau van detail is essentieel voor het opbouwen van vertrouwen in grootschalige studies die gegevens combineren van tientallen locaties, om ervoor te zorgen dat de conclusies die over de menselijke gezondheid worden getrokken, gebaseerd zijn op biologie in plaats van de eigenaardigheden van een specifieke machine. De introductie van DHARM markeert een verschuiving naar een striktere standaard in de neuroimaging, waarbij het succes van datacleaning wordt gemeten aan de hand van een volledig beeld van de gezondheid van de data, in plaats van aan de hand van één enkel, potentieel misleidend getal.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.