Impact of analytical variability on data compatibility in functional Magnetic Resonance Imaging studies
Impact de la variabilité analytique sur la compatibilité entre les données dans les études d'Imagerie par Résonance Magnétique fonctionnelle
Résumé
In recent years, the lack of reproducibility of research findings has become an important source of concern in many scientific fields, including functional Magnetic Resonance Imaging (fMRI). The low statistical power induced by low sample sizes was identified as one of the leading causes of irreproducibility in fMRI studies. The development of data sharing in the field of neuroimaging opens up new opportunities to perform studies with larger sample sizes by reusing existing data, possibly coming from different datasets. However, doing so may require combining data which have been processed differently. In this thesis, we investigated the impact of analytical variability -- the variability induced by different processing pipelines – on the validity of new analyses when combining subject data processed with different subject-level pipelines. Analyses were performed using pipelines that differed from each other on a set of given parameters. We found that the analytical variability induced by the parameter differences between pipelines was acceptable for some of these analyses and redhibitory for others. We concluded that differences in processing applied on subject data have to be taken into account before combining these data. Finally, a first steps toward the correction of the effect of analytical variability for these between-group analyses is proposed.
Au cours des dernières années, le manque de reproductibilité des résultats de recherche est devenu un sujet majeur dans de nombreux domaines scientifiques, y compris l’Imagerie par Résonance Magnétique Fonctionnelle (IRMf). La faible puissance statistique liée aux petites tailles d’échantillons a été identifiée comme l’un des principaux facteurs de non-reproductibilité dans les études d’IRMf. Le développement du partage de données en neuroimagerie ouvre de nouvelles opportunités, permettant d’effectuer des études avec des tailles d’échantillons plus grandes en réutilisant des données existantes, provenant éventuellement d’ensembles de données différents. Cependant, cela peut conduire à combiner des données traitées différemment. Dans cette thèse, nous avons étudié l’impact de la variabilité causée par les différences entre les chaînes de traitement, appelée variabilité analytique, sur la validité de nouvelles analyses lorsque l’on combine des données de sujet traitées avec différentes chaînes de traitement au niveau individuel. Les analyses ont été effectuées avec des chaînes de traitement qui différaient les unes des autres sur un ensemble de paramètres définis. Nous avons observé que la variabilité induite par les différences de valeurs pour ces paramètres entre les chaînes de traitement était acceptable dans certains cas et rédhibitoire dans d’autres cas. Nous avons conclu que les différences en terme de traitement appliqué sur les données de sujet doivent être prises en compte avant de combiner ces données. Enfin, nous avons proposé une méthode de correction de l’effet de la variabilité analytique pour ces analyses de groupe.
| Origine | Version validée par le jury (STAR) |
|---|