Detekce psychických stavů a charakteristik z neurozobrazovacích dat

Abstract

Poslední desetiletí přineslo nové přístupy k analýze neurozobrazovacích dat. Zavedené statistické metody jsou stále častěji doplňovány metodami strojového učení. Společně s pokroky v neurozobrazovacích metodách nám tyto metody umožnily zaměřit se na celou řadu aspektů mozkové aktivity, od skupinových analýz efektu nemocí až po krátkodobé mozkové stavy. Nové přístupy však přinesly také nové výzvy související s optimálním výběrem a kombinací kroků pro předzpracování dat, výběrem vysvětlujících veličin popisu-jících stavy mozku a konstrukcí nástrojů pro detekci a klasifikaci mozkových stavů. V teoretické části se zaměříme na funkční magnetickou rezonanci (fMRI). Zabýváme se zde základními kroky pro předzpracování fMRI dat a poté blíže specifikujeme stavy a charakteristiky mozku a metody jejich detekce. V této práci používáme termín "dlouhodobé charakteristiky mozku" pro charakteristiky odvozené pomocí běžných metod pro analýzu fMRI dat, které odrážejí celkový přetrvávající stav mozku, zatímco "krátkodobé mozkové stavy" se vztahují k přechodnějším stavům souvisejícím např. s kognitivními úkoly, smyslovou stimulací nebo také spontánní dynamikou mozkové aktivity.Experimentální část práce shrnuje výsledky několika studií týkajících se detekce stavů a charakteristik mozku z neurozobrazovacích dat, zahrnujících jak spontánní mozkovou dynamiku, tak dynamiku během různých experimentů ovlivňujících mentální stavy a také dynamiku mozkových stavů u zdravých osob a pacientů se schizofrenií. Hlavní výsledky zahrnují replikační studii zdůrazňující význam vhodné korekce pro mnohonásobné testování a použití neparametrických statistických metod v neurovědách, dále studii objasňující význam důsledného předzpracování dat při pozorování změn funkční konektivity u schizofrenie a také studii zabývající se výběrem příznaků pro detekci dlouhodobých změn mozkových charakteristik u pacientů se schizofrenií jak z klidových dat, tak z dat s experimentální úlohou. Studie týkající se krátkodobých mozkových stavů jsou zaměřené na predikci stavů souvisejících se sebeuvědoměním (self-agency) jak u zdravých kontrol tak u pacientů se schizofrenií, detekci spontánních externě či interně zaměřených mentálních stavů, a dále také na klasifikaci několika stavů na základě paradigmatu s několika experimentálními úlohami - funkčního lokalizéru.

The last decade has brought novel analytical approaches to analyzing neuroimaging data. The well-established statistical methods are increasingly complemented by machine learning techniques. Together with advances in neuroimaging methods, these techniques enabled us to focus on a range of aspects of brain activity, from group-level analyses of the effects of diseases to short-term brain states. However, the new approaches have also brought new challenges related to optimal selection and combination of data preprocessing steps, selection of informative features describing the brain states, and constructing tools for the detection or classification of brain states. In the theoretical part, we focus on functional Magnetic Resonance Imaging (fMRI). We cover the essential steps necessary for preprocessing the fMRI data and then further specify the brain states and characteristics and the methods for their detection. Throughout this work, we use the term "long-term brain characteristics" for features mostly derived using conventional methods for fMRI data analysis reflecting the overall and persistent state of the brain, whereas "short-term brain states" refer to more transient states related to, e.g., cognitive tasks or sensory stimulation, as well as spontaneous brain activity dynamics. The experimental part of the thesis summarizes the results of multiple studies concerning the detection of brain states and characteristics from neuroimaging data, spanning both spontaneous brain dynamics and dynamics during various experimental mental state manipulations and the brain state dynamics in healthy subjects and patients with schizophrenia. The main results include a replication study highlighting the importance of appropriate multiple testing correction and the use of nonparametric statistical procedures for personality neuroscience, a study elucidating the role of stringent preprocessing for observed functional connectivity changes in schizophrenia, and studying the role of feature selection for detection of long-term brain characteristics alteration in patients from both resting state and experimental task data. The studies concerning short-term brain states focus on the prediction of the self-agency state in both healthy subjects and schizophrenia patients, detection of spontaneously occurring externally and internally oriented mental states, as well as successful multiple state classification based on rich experimental 'functional localizer' paradigm.