Application of Multilevel Models to Morphometric Data. Part 2. Correlations

Abstract

Multilevel organization of morphometric data (cells are “nested” within patients) requires special methods for studying correlations between karyometric features. The most distinct feature of these methods is that separate correlation (covariance) matrices are produced for every level in the hierarchy. In karyometric research, the cell‐level (i.e., within‐tumor) correlations seem to be of major interest. Beside their biological importance, these correlation coefficients (CC) are compulsory when dimensionality reduction is required. Using MLwiN, a dedicated program for multilevel modeling, we show how to use multivariate multilevel models (MMM) to obtain and interpret CC in each of the levels. A comparison with two usual, “single‐level” statistics shows that MMM represent the only way to obtain correct cell‐level correlation coefficients. The summary statistics method (take average values across each patient) produces patient‐level CC only, and the “pooling” method (merge all cells together and ignore patients as units of analysis) yields incorrect CC at all. We conclude that multilevel modeling is an indispensable tool for studying correlations between morphometric variables.

Classifying tissue samples from measurements on cells with within-class tissue sample heterogeneity

“…If the problem is simplified by selecting only one kind of statistical unit, using the patient as the unit of analysis is the only way to avoid biased p-values. Nested analysis of variance (ANOVA) models have been applied to macro-level classification problems (Bartels, 1982), but classical nested ANOVA has many limitations including the handling of multivariate data (Tsybrovskyy and Berghold, 2003b).…”

Η Διερεύνηση Της Σημασίας Τεχνικών Τεχνητής Νοημοσύνης Στην Αξιολόγηση Της Μορφομετρικής Ανάλυσης Επιχρισμάτων Διαγνωστικής Κυτταρολογίας

“…Επιπρόσθετα, είναι γνωστό ότι η κυτταρολογική εξέταση είναι μια χρονοβόρα διαδικασία, η οποία βασίζεται κυρίως σε υποκειμενικά κριτήρια, αφού δεν χρησιμοποιούνται σε μεγάλο βαθμό μετρητικές διαδικασίες (και επομένως πιο αντικειμενικά κριτήρια) στην καθημερινή διαγνωστική πρακτική. Για το λόγο αυτό την τελευταία δεκαετία έχουν αναπτυχθεί διάφορες τεχνικές (ανάμεσα στις οποίες και στατιστικές μέθοδοι) που σκοπό έχουν τη χρήση ποσοτικοποιημένων μετρήσεων στη διάγνωση [3,4,5,6,7,8,9,10,11,12]. Έτσι η διάγνωση στη νόσο του καρκίνου γίνεται όσο το δυνατόν περισσότερο αντικειμενική.…”

“…Στη διάγνωση του καρκίνου, σε διάφορες μορφές του και σε διάφορα όργανα, έχουν χρησιμοποιηθεί αρκετές από τις προαναφερθείσες τεχνικές στη διεθνή βιβλιογραφία [3,4,5,6,7,8,9,10,11,16,36,37]. Οι τεχνικές αυτές αφορούν κυρίως πολυμεταβλητές μεθόδους και οι προσπάθειες επικεντρώνονται κυρίως στο διαχωρισμό των κυττάρων μεταξύ καλοήθειας και κακοήθειας (ή κάποια είδη αλλοιώσεων από κάποια άλλα σε ένα συγκεκριμένο όργανο).…”

“…Επειδή οι στατιστικές μέθοδοι απαιτούν αντικειμενικές μετρήσεις, έχει γίνει στην πάροδο του χρόνου μεγάλη προσπάθεια από τους γιατρούς-κυτταρολόγους στην αντικειμενοποίηση των μετρήσεων αυτών. Έτσι όπως μπορεί να διαπιστωθεί από τη διεθνή βιβλιογραφία στο διαχωρισμό των κυττάρων έχουν χρησιμοποιηθεί τα μορφομετρικά χαρακτηριστικά τους [3,4,5,6,7,8,9,10,11,12,16,17,36,37,38,39,40,41,42].…”