Dokument: Multivariate Statistical Approaches to investigate Sex Differences in Brain and Cognition

Titel:	Multivariate Statistical Approaches to investigate Sex Differences in Brain and Cognition
Weiterer Titel:	Multivariate statistische Ansätze zur Untersuchung von Geschlechtsunterschieden in Gehirn und Kognition
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=69149
URN (NBN):	urn:nbn:de:hbz:061-20250402-143808-3
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Wiersch, Lisa [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 14,80 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 28.03.2025 / geändert 28.03.2025
Beitragende:	PD Dr. Susanne Weis [Betreuer/Doktorvater] Prof. Dr. Bellebaum, Christian [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Die Dekodierung von individueller Variabilität in Kognition und der Organisation des Gehirns ist essentiell, um unser Verständnis der menschlichen Vielfalt in Gehirn und Verhalten zu verbessern. Dabei ist die individuelle Variabilität oft mit Phänotypen verknüpft, wobei das Geschlecht ein wichtiger Phänotyp ist, der zur individuellen Variabilität beiträgt. Die Erforschung der geschlechtsspezifischen Variabilität verbessert daher nicht nur unser Verständnis von geschlechtsspezifischer Differenzierung in kognitiven Prozessen und der Organisation des Gehirns, sondern hilft darüber hinaus, die Heterogenität in neuropsychologischen Krankheiten, bei der das Geschlecht eine wichtige Rolle spielt, besser zu verstehen. Das Hauptziel dieser Arbeit ist es, multivariate statistische Verfahren als effektive Methodik zur Identifizierung von Mustern in komplexen Datensätzen wie Bildgebungsdaten des Gehirns oder kognitiven Daten zu präsentieren (Kommentar). Studie 1 zielte insbesondere auf die Untersuchung der geschlechtsspezifischen Differenzierung in neuropsychologischen Daten mit Hilfe von Strukturgleichungsmodellen ab. Die Ziele der weiteren Studien waren, die geschlechtsspezifische Variabilität in der funktionellen (Studie 2) und strukturellen (Studie 3) Gehirnorganisation mit Hilfe von maschinellem Lernen zu untersuchen. In beiden Studien wurden zusätzlich methodische Aspekte untersucht, wie z. B. der Einfluss des Trainings-Datensatzes auf die Generalisierungsperformanz (Studie 2) und der Einfluss konfundierender Variablen (Studie 3). Der Kommentar erläutert die Bedeutung neuer methodischer Ansätze wie multivariates statistisches Lernen, um unser Verständnis der komplexen Natur von Geschlechtsunterschieden zu verbessern. Die Ergebnisse von Studie 1 zeigten, dass es geschlechtsspezifische kognitive Profile gibt, die auf Geschlechtsunterschiede in der kognitiven Verarbeitung zurückzuführen sind. Die Ergebnisse von Studie 2 zeigten Geschlechtsunterschiede in der funktionellen Gehirnorganisation für bestimmte Hirnregionen; wobei allgemein die höchsten Generalisierungsperformanz erreicht wurde, wenn Modelle zur Geschlechtsklassifizierung auf einem großen und heterogenen Datensatz trainiert wurden, welcher die Daten mehrerer Datensätze umfasste. Zusätzlich zeigten die Ergebnisse von Studie 3 Geschlechtsunterschiede in der strukturellen Organisation des Gehirns durch eine akkurate Klassifizierung des Geschlechts mit Modellen, die durch Stratifikation der Gehirngrößen von Männern und Frauen um den konfundieren Einfluss der Gehirngröße bereinigt wurden. Insgesamt zeigen die vorliegenden Studien, dass multivariate statistische Ansätze die geschlechtsspezifische Variabilität mit strukturellen und funktionellen Bildgebungsdaten dekodieren können, mit besonderer Berücksichtigung methodischer Aspekte. Decoding individual variability in cognition and brain organization is essential to enhance our understanding of heterogeneity in the brain and behavior. Individual variability is often related to specific demographic phenotypes, with sex being a prominent phenotype contributing to individual variability. Examining how differences between males and females are reflected in cognitive and neuroimaging data advances the understanding of sex differences in cognitive processing, brain organization, and the heterogeneity of neuropsychological and mental diseases. To characterize common sources of variability such as sex, the present work aims to present multivariate statistical methods as powerful tools to identify patterns in complex datasets such as neuroimaging or cognitive data (commentary). By using multivariate statistical approaches, the present work examines sex differences in neuropsychological (study 1) and brain imaging data (study 2 & study 3). Specifically, study 1 examined sex-specific cognitive profiles derived from a battery of neuropsychological tests using Structural Equation Modeling. Studies 2 and 3 supplement this investigation by examining sex-related variability in the functional (study 2) and structural (study 3) brain organization using Machine Learning (ML) approaches. Additionally, methodological considerations in ML were taken into account such as the influence of training samples on the generalization performance of ML models (study 2) and the influence of confounding variables (study 3). The commentary highlighted the importance of new methodological approaches such as multivariate statistical learning to enhance our understanding of the complex nature of sex differences in rich data. Study 1 identified sex-specific cognitive profiles pertaining to sex differences in component solutions in cognitive processing strategies. Results of study 2 revealed sex differences in the functional brain organization for some, but not all brain regions, with the highest generalization performance when sex classification models were trained on a large and heterogeneous sample comprising the data of multiple datasets. Study 3 demonstrated sex differences in the structural brain organization by accurately classifying sex with ML models that were debiased for the confounding influence of brain size by matching males and females for brain size. In sum, the present studies demonstrated that multivariate statistical approaches can effectively decode sex-related variability in cognitive as well as structural and functional brain imaging data while incorporating important methodological considerations.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	02.04.2025
Dateien geändert am:	02.04.2025
Promotionsantrag am:	29.10.2024
Datum der Promotion:	20.03.2025