Dokument: Multivariate Associations Relating Brain Structure to Behavior and Physical Health

Titel:	Multivariate Associations Relating Brain Structure to Behavior and Physical Health
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=74166
URN (NBN):	urn:nbn:de:hbz:061-20260813-141036-6
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Nicolaisen Sobesky, Eliana [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 227,9 KB in einer Datei [ZIP-Datei erzeugen] Dateien vom 06.08.2026 / geändert 06.08.2026
Beitragende:	Prof. Dr. Genon, Sarah [Gutachter] Prof. Dr. Schwender, Holger [Gutachter]
Stichwörter:	Brain structure, Multivariate associations, Regularized canonical correlation analysis, Machine learning, Behavior, Physical helath
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Das Verständnis des Zusammenhangs zwischen der Hirnstruktur sowie dem Verhalten und der körperlichen Gesundheit ist entscheidend für den Fortschritt im Gesundheitswesen. In den letzten Jahren wurden jedoch zunehmend Bedenken hinsichtlich der Reproduzierbarkeit veröffentlichter Studien zu diesem Thema geäußert. Dies erfordert eine systematische Untersuchung der Reproduzierbarkeit von Befunden in der strukturellen Neurobildgebung. Dementsprechend sollten Methoden gefördert werden, die die Reproduzierbarkeit und Generalisierbarkeit von Ergebnissen verbessern, wie zum Beispiel, die Anwendung von maschinellem Lernen (ML), größere Stichproben und multivariate Verfahren. Dies würde die Identifikation robuster Zusammenhänge zwischen Hirnstruktur sowie Verhalten und körperlicher Gesundheit ermöglichen, die anschließend als potenzielle Biomarker in der Medizin weiter untersucht werden könnten. Diese Arbeit untersuchte die Reproduzierbarkeit von Zusammenhängen zwischen Hirnstruktur und Verhalten. Darüber hinaus wurden in dieser Arbeit robuste Methoden eingesetzt, um replizierbaren und generalisierbaren Zusammenhängen zwischen Hirnstruktur sowie Verhalten und körperlicher Gesundheit zu identifizieren. Als Ausgangspunkt bewertete Studie 1 die Replizierbarkeit von Zusammenhängen zwischen Hirnstruktur und Verhalten, wenn diese mit Standardmethoden von univariate bzw. bivariate Assoziationen untersucht werden. Die Studie zeigte, dass signifikante univariate bzw. bivariate Assoziationen zwischen kortikaler Dicke und Verhalten höchst unwahrscheinlich sind und dass selbst wenn signifikante Zusammenhänge gefunden wurden, diese in der Regel nicht replizierbar waren. Als Nächstes wurden in Studie 2 ML und ein multivariater Ansatz (regulierte kanonische Korrelationsanalyse, RKKA) angewendet, um reproduzierbare und generalisierbare Zusammenhänge zwischen Hirnstruktur (kortikale Dicke, Oberfläche und Volumen der grauen Substanz) und einer Vielzahl verhaltensbezogene Merkmale (Wachsamkeit, Emotion und Kognition) zu untersuchen. Diese Studie identifizierte eine latente Dimension, die Hirnstruktur und Verhalten miteinander verknüpft. Besonders wichtig ist, dass die Ergebnisse in einer unabhängigen Stichprobe reproduziert werden konnten. Außerdem teilten diese hirnstrukturellen und verhaltensbezogenen Muster gemeinsame genetische Mechanismen. In ähnlicher Weise wurden in Studie 3 ML und RKKA eingesetzt, um reproduzierbare und generalisierbare Zusammenhänge zwischen Hirnstruktur (kortikale Dicke und Volumen der grauen Substanz) und einer Vielzahl von Risikofaktoren für nichtübertragbare Erkrankungen (u. a. Körpermorphologie und -zusammensetzung, Blutdruck, Ernährung) aufzudecken. Diese Studie fand zwei latente Dimensionen, die verschiedene Muster der Hirnstruktur mit einer Achse der kardiometabolischen Gesundheit und einer Achse der körperlichen Robustheit verbinden. Insgesamt heben diese Befunde die geringe Reproduzierbarkeit von univariate Gehirn-Verhalten Assoziationen hervor. Im Gegensatz zeigen die Ergebnisse, dass der Einsatz von ML, großen Stichproben und multivariaten Methoden diese Einschränkungen mindert und die Identifizierung reproduzierbarer und generalisierbarer Zusammenhänge zwischen Hirnstruktur sowie Verhalten und körperlicher Gesundheit ermöglicht. Understanding the link between brain structure and both, behavior and physical health, is imperative to advance healthcare. However, in the last years, concerns have been raised regarding the replicability of published studies on that topic. This calls for systematic evaluations of the replicability of findings in structural neuroimaging. Accordingly, methods that improve the replicability and generalizability of findings should be promoted, like machine learning (ML), big sample sizes, and multivariate methods. This would enable the identification of robust associations between brain structure and both, behavior and physical health, that could be further examined as potential biomarkers in medicine. The present work studied the replicability of associations between brain structure and behavior. In addition, this work used robust methods to search for replicable and generalizable associations linking brain structure with both, behavior and physical health. As a starting point, in Study 1 we evaluated the replicability of associations between brain structure and behavior when searched with standard methods in the field. The findings showed that significant univariate/bivariate associations between cortical thickness and behavior were highly unlikely, and that even when significant associations were found they were usually not replicable. Next, in Study 2 we used ML and a multivariate approach (regularized canonical correlation analysis, RCCA) to uncover replicable and generalizable associations between brain structure (cortical thickness, surface area and grey matter volume) and a wide set of behavioral features (alertness, emotion, and cognition). This study found a latent dimension linking brain structure and behavior which, importantly, was replicated in an independent sample. Also, the reported brain structural and behavioral patterns shared genetic mechanisms. Similarly, in Study 3 we used ML and RCCA to uncover replicable and generalizable associations between brain structure (cortical thickness and grey matter volume) and a wide set of risk factors for non-communicable diseases (spanning body morphology and composition, blood pressure, diet, among others). This study found two latent dimensions linking different patterns of brain structure to an axis of cardiometabolic health and to an axis of physical robustness. Overall, these findings highlight the low replicability of brain-behavior associations when analyzed with univariate methods. These results show that the use of ML, big samples sizes and multivariate methods mitigate these limitations, enabling the identification of replicable and generalizable associations between brain structure and both, behavior and physical health.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	13.08.2026
Dateien geändert am:	13.08.2026
Promotionsantrag am:	09.02.2026
Datum der Promotion:	07.07.2026