Caratterizzazione dei pattern di alterazione metabolica in pazienti con glioma tramite Scaled Subprofile Modeling – PCA

The scaled subprofile model (SSM) is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain image data while rejecting lesser components . Applied directly to voxel-by-voxel covariance data of steady-state multimodality images, an entire group image set can be reduced to a few significant linearly independent covariance patterns and corresponding subject scores. Each pattern, termed a group invariant subprofile (GIS), is an orthogonal principal component that represents a spatially distributed network of functionally interrelated brain regions. Large global mean scalar effects that can obscure smaller network-specific contributions are removed by the inherent logarithmic conversion and mean centering of the data. Subjects express each of these patterns to a variable degree represented by a simple scalar score that can correlate with independent clinical or psychometric descriptors. Using logistic regression analysis of subject scores (i.e. pattern expression values), linear coefficients can be derived to combine multiple principal components into single disease-related spatial covariance patterns, i.e. composite networks with improved discrimination of patients from healthy control subjects. Cross-validation within the derivation set can be performed using bootstrap resampling techniques9. Forward validation is easily confirmed by direct score evaluation of the derived patterns in prospective datasets10. Once validated, disease-related patterns can be used to score individual patients with respect to a fixed reference sample, often the set of healthy subjects that was used (with the disease group) in the original pattern derivation11. These standardized values can in turn be used to assist in differential diagnosis and to assess disease progression and treatment effects at the network level7 . We present an example of the application of this methodology to FDG PET data of oncological patients and normal controls using our in-house software to derive a characteristic covariance pattern biomarker of disease

Il modello di profilo scalato (SSM) è un algoritmo multivariato basato su PCA che identifica le principali fonti di variazione nei dati delle immagini cerebrali di pazienti e gruppi di controllo, mentre respinge componenti di minore importanza. Applicato direttamente ai dati di covarianza voxel-per-voxel delle immagini multimodalità in stato stazionario, un intero insieme di immagini di gruppo può essere ridotto a pochi modelli di covarianza lineari indipendenti significativi e corrispondenti punteggi dei soggetti. Ogni modello, chiamato profilo di gruppo invariante (GIS), è un componente principale ortogonale che rappresenta una rete distribuita spazialmente di regioni cerebrali funzionalmente interrelate. Gli effetti scalari globali di grande entità che possono oscurare contributi specifici della rete più piccoli vengono rimossi dalla conversione logaritmica intrinseca e dal centro di media dei dati. I soggetti esprimono ciascuno di questi modelli in misura variabile rappresentata da un semplice punteggio scalare che può correlare con descrittori clinici o psicometrici indipendenti. Utilizzando l'analisi di regressione logistica dei punteggi dei soggetti (cioè i valori di espressione del modello), è possibile derivare coefficienti lineari per combinare più componenti principali in modelli di covarianza spaziale correlati alla malattia singola, ossia reti composite con un miglioramento della discriminazione dei pazienti rispetto ai soggetti sani di controllo. La convalida incrociata all'interno del set di derivazione può essere eseguita utilizzando tecniche di campionamento bootstrap. La convalida diretta è facilmente confermata mediante valutazione diretta dei punteggi dei modelli derivati in set di dati prospettici. Una volta convalidati, i modelli correlati alla malattia possono essere utilizzati per valutare i singoli pazienti rispetto a un campione di riferimento fisso, spesso l'insieme di soggetti sani che è stato utilizzato (con il gruppo malattia) nella derivazione originale del modello. Questi valori standardizzati possono a loro volta essere utilizzati per assistere nella diagnosi differenziale e per valutare la progressione della malattia e gli effetti del trattamento a livello di rete. Presentiamo un esempio dell'applicazione di questa metodologia ai dati PET di FDG di pazienti oncologici e controlli normali utilizzando il nostro software interno per derivare un biomarcatore caratteristico del modello di covarianza della malattia