[МУЗЫКА] [МУЗЫКА] Уважаемые коллеги!
В этой части мы с вами попытаемся разобраться,
что мы видим на фМРТ-изображениях,
которые мы можем наблюдать в разнообразных статьях в виде имиджей статистических,
как к ним правильно относиться и интерпретировать.
Дело в том, что так называемые статистические параметрические
карты являются результатом статистического анализа тех данных,
которые мы получаем из томографа.
Каким образом мы обрабатываем данные?
На самом деле параметрическая карта, которую мы видим,
не является отображением реально зарегистрированного сигнала.
Мы регистрируем кровоток, на самом деле в результате мы
получаем распределение статистических параметров.
И проблема в том, что мы могли бы просто математически усреднять зарегистрированный
сигнал, но при этой процедуре, при процедуре обычного усреднения,
не учитываются разные свойства собственно самого сигнала,
что скажем, в соседних вокселах, в соседних элементах томограммы,
этот сигнал, например, автокоррелирован, то есть он крайне связан,
и такое усреднение давало бы лишь оценку в режиме «средней температуры по больнице».
Поэтому, для того чтобы грамотно и адекватно подходить к регистрации
физиологического сигнала в фМРТ, используется так называемое моделирование,
то есть статистическое моделирование, которое позволяет нам учитывать вот эти
вот важные физиологические и технические свойства регистрируемого сигнала.
Как это моделирование осуществляется?
Ну вот на слайде представлен подход.
Мы знаем, как на самом деле ведет себя гемодинамический ответ,
то есть существуют модели, которые описывают,
каким образом меняется кровоток при изменении нейрональной
активности — так называемая функция гемодинамического ответа.
И зная структуру тестового задания, скажем, блоки,
которые содержат наборы предъявляемых стимулов,
чередующиеся с состояниями покоя, то мы можем сформировать модель того,
как должен был бы себя вести регистрируемый сигнал в тех случаях, если,
скажем, исследуемая область мозга или исследуемая большая
популяция нейронов на самом деле вовлекается в обеспечение этой информации.
Форма этой модели зависит от двух вещей: это, собственно, самого дизайна,
то есть как часто предъявляются стимулы, они сформированы в блоки или
предъявляются отдельно, и, собственно, формы гемодинамического ответа.
И далее такая модель строится для каждого элемента изображения, или воксела.
«Воксел» в переводе с английского — это «volume cell»,
то есть элемент объемного изображения, элемент томограммы.
И на самом деле анализ данных фМРТ
происходит для каждого воксела изображения одновременно.
То есть мы не получаем информацию сразу со всего объема мозга одновременно,
а мы получаем много-много-много данных,
из которых собирается вот эта вот трехмерная карта.
Тем самым для каждого воксела мы строим модель того,
как должен был бы меняться сигнал, если бы в этом вокселе находились нейроны,
которые вовлекаются в обеспечение исследуемой деятельности, то есть тех
лингвистических или психологических, каких других угодно процессов.
Форма этой модели представлена на слайде,
в левой части — это зарегистрированный BOLD-сигнал реальный,
а в правом, вот например, x₁, это модель ожидаемого сигнала.
Поскольку этих моделей может быть ровно столько,
сколько вариантов тестовых заданий, мы достаточно произвольно
можем формировать эти модели в зависимости от задач исследования, того,
как логически разбиваются наши стимулы по группам, и это все зависит от того,
какие процессы именно мы хотим исследовать, то дальше наша задача,
собственно, используя модели множественной регрессии,
так называемая основная линейная модель,
подобрать параметры этих моделей таким образом, статистические параметры, чтобы
эти модели максимально соответствовали зарегистрированному сигналу.
То есть подбираются такие статистические параметры,
которые приводят в наилучшее соответствие ту модель,
которую мы создали и которая отражает собственно дизайн исследования,
исследуемые процессы и зарегистрированный сигнал.
Таким образом, задача статистического анализа фМРТ-данных
сводится к поиску таких вокселов изображения,
в которых такая модель и такие параметры статистически значимы.
И на самом деле, когда мы видим какие-то кластеры и скопления таких вокселов,
на самом деле это скопление таких вот статистических оценок.
То есть мы видим не реальные
изменения BOLD-сигнала, а результат их статистического оценивания.
Основная проблема заключается в том,
что при построении таких моделей используется стандартный подход, который
заключается в применении стандартной функции гемодинамического ответа.
Но дело в том, что известно, что даже между разными структурами одного и того
же мозга существуют отклонения от этой формы, и чего уж говорить,
в силу патологических изменений активности мозга гемодинамика локально,
скажем, если мы говорим про какие-то поражения, может сильно
достаточно отклоняться от этой стандартной формы гемодинамического ответа.
Это означает,
что в этой ситуации статистические методы попросту не будут работать.
Они не учитывают этих изменений.
Поэтому в определенных клинических условиях применение таких стандартных
подходов попросту не работает.
На самом деле, можно применять другие методы, которые не используют вот
этой стандартной функции гемодинамического ответа, не используют стандартных моделей.
Это корреляционные методы анализа.
И вот вариант такого корреляционного метода анализа к пациенту,
в котором стандартный метод обработки фМРТ-данных оказался неэффективен,
показал, почему у пациента, которого мы рассматривали
на прошлом занятии, почему стандартная процедура не сработала.
Мы продемонстрировали, почему у такого пациента стали наблюдаться нарушения речи.
Дело в том, что применяя корреляционные методы, которые не базируются на
использовании стандартной функции гемодинамического ответа,
мы можем регистрировать, где происходят синхронные изменения сигнала, которые
являются отражением функционального взаимодействия этих структур.
И оказалось, что одна из структур мозга,
воздействие на которую планировалось во время операции,
участок, который охлаждался, находится как раз в области операции.
Таким образом, важно понимать,
что когда мы получаем фМРТ-изображение, статистическую карту,
то мы имеем дело не с реальным сигналом, а со статистическим оцениванием.
Что это значит и как это учитывается и применяется в нейролингвистических
исследованиях, мы поговорим с вами на следующем занятии.