Objectives

• 提出 Iterated Relevance Matrix Analysis (IRMA) 這個 machine learning 方法，用於協調多中心 18F-Fluorodeoxyglucose (18F-FDG) PET 腦部掃描中的中心特定效應。
• 證明 IRMA 可以有效去除中心特定信息，同時保留疾病特定信息。
• 顯示 IRMA 協調改善了神經退化性疾​​病（Parkinson's disease (PD)、Alzheimer's disease (AD) 和 Dementia with Lewy Bodies (DLB)）的跨中心分類性能。
• 提供了校正的分析重建和體素空間中數據的可視化，為協調過程提供了透明度。

Methodology

• 應用 Iterated Relevance Matrix Analysis (IRMA) 這種 machine learning 方法來消除中心特定效應。 IRMA 迭代訓練 Generalized Matrix Learning Vector Quantization (GMLVQ) 模型來對 healthy controls (HCs) 的中心來源進行分類。
• 使用 Principal Component Analysis (PCA) 從 18F-FDG PET 掃描中提取特徵。
• 累積中心區分向量並重新訓練 GMLVQ 模型，同時投影出先前發現的區分方向。
• 繼續迭代，直到無法在來自不同中心的 HC 組之間找到進一步有意義的分離。
• 在中心協調後，訓練 GMLVQ 模型對三種疾病類別（PD、AD 和 DLB）進行分類。

Results

• 在協調之前，可以近乎完美地確定四個 HC 隊列的中心來源（Balanced Accuracy (BAC) = 0.72，Area Under the Curve (AUC) = 0.89）。
• 需要六次 IRMA 迭代才能刪除所有中心特定信息（BAC 達到隨機性能）。
• 與未校正模型（BAC = 0.78，AUC = 0.94）相比，中心協調疾病分類模型的交叉驗證性能保持較高（BAC = 0.69，AUC = 0.84）。
• 在未經可見的測試隊列中，IRMA 協調後，跨中心分類性能顯著提高（BAC 從 0.41 增加到 0.59，AUC 從 0.55 增加到 0.79）。
• IRMA 協調優於中心 z 評分，並且比 ComBat 協調略有優勢。

Discussions

• 該研究展示了 IRMA 在協調多中心 18F-FDG PET 數據方面的新應用，顯示出有希望的結果。 然而，依賴 HC 隊列進行協調是一個限制，因為獲取 HC 數據可能具有挑戰性且成本高昂。
• 該研究使用了相對較少數量的中心（四個）。 需要使用更多中心和更多樣化的數據集進行進一步驗證。
• 雖然作者將 IRMA 與 ComBat 和中心 z 評分進行了比較，但與其他協調方法（包括圖像級別協調技術）進行更全面的比較將加強研究結果。
• 該研究承認隊列之間存在潛在的臨床差異（例如，疾病持續時間）。 對這些差異對協調結果的影響進行更詳細的分析將是有益的。
• 作者提到了未來的研究工作，以估計所需的最小 HC 數量。 提供更具體的指南或樣本量確定的功效分析將很有價值。

---

Reference: IRMA Machine learning based harmonization of 18 F FDG PET brain scans in multi center studies