Skip to content
กลับไปยังผลการค้นหา

เรขาคณิตสัณฐานวิทยา

ผู้เสนอ
Fred Bookstein
ปี
1991
ประเภท
Shape and form analysis
กลุ่มวิธี
Morphological Analysis

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

เรขาคณิตสัณฐานวิทยา (Geometric morphometrics - GMM) เป็นวิธีการวิเคราะห์เชิงปริมาณที่ใช้ในการบันทึก วิเคราะห์ และเปรียบเทียบรูปร่างของโครงสร้างทางชีวภาพ (เช่น กระดูก ฟัน เครื่องปั้นดินเผา) โดยใช้ข้อมูลพิกัดจากจุดสำคัญ (landmarks) และเส้นโครงร่าง (outlines) วิธีการนี้พัฒนาโดย Fred Bookstein ในทศวรรษ 1990 นำเสนอ กรอบการวิเคราะห์ทางสถิติที่เข้มงวดสำหรับการศึกษาความแปรปรวนของรูปร่างในกลุ่มประชากรหรือช่วงเวลาต่างๆ วิธีการนี้ช่วยให้นักโบราณคดีสามารถวัดความแตกต่างทางสัณฐานวิทยา (morphological differences) ระหว่างปัจเจกบุคคล กลุ่มประชากร หรือประเภทของวัตถุโบราณได้อย่างแม่นยำ ซึ่งไม่สามารถทำได้ด้วยการวัดเชิงเส้นแบบดั้งเดิม

แนวคิดเบื้องหลังวิธีการ

การวัดแบบดั้งเดิมจะบันทึกระยะห่างระหว่างจุดที่กำหนดไว้บนกระดูกหรือวัตถุโบราณ (เช่น ความยาวกะโหลกศีรษะ) ซึ่งสูญเสียข้อมูลเกี่ยวกับรูปร่างและสัณฐานทั้งหมดไป ในทางตรงกันข้าม เรขาคณิตสัณฐานวิทยาจะบันทึกพิกัดเชิงพื้นที่ของจุดสำคัญทางกายวิภาคหลายจุด (มุม ยอด จุดเชื่อมต่อทางชีวภาพ) ทั่วทั้งตัวอย่าง ด้วยการวิเคราะห์รูปแบบความแปรปรวนของพิกัดในกลุ่มตัวอย่างจำนวนมาก ผู้วิจัยสามารถแสดงภาพความแตกต่างของรูปร่าง ทำการทดสอบทางสถิติเพื่อระบุว่ารูปร่างมีความแตกต่างกันอย่างมีนัยสำคัญหรือไม่ และระบุบริเวณทางกายวิภาคที่มีส่วนสำคัญที่สุดต่อความแปรปรวนของรูปร่างที่สังเกตได้ แนวทางนี้สามารถจับความแตกต่างทางสัณฐานวิทยาที่ละเอียดอ่อนซึ่งการวัดแบบดั้งเดิมมองข้ามไป

ประวัติศาสตร์

เรขาคณิตสัณฐานวิทยาได้รับการพัฒนาอย่างเป็นทางการโดย Fred Bookstein ในทศวรรษ 1990 โดยต่อยอดจากแนวทางที่ใช้จุดสำคัญในสาขาบรรพชีวินวิทยา James Rohlf และ Denis Slice ได้พัฒนาวิธีการซ้อนทับแบบโพรครัสต์ (Procrustes superimposition) ซึ่งช่วยให้สามารถเปรียบเทียบรูปร่างที่เป็นมาตรฐานได้ ในทศวรรษ 2000 GMM ได้ขยายไปสู่การวิเคราะห์ 3 มิติและการบูรณาการกับชีววิทยาเชิงวิวัฒนาการ ปัจจุบัน GMM ถูกนำไปใช้อย่างแพร่หลายในสาขามานุษยวิทยาบรรพกาล (paleoanthropology) โบราณคดี และบรรพชีวินวิทยา เพื่อวัดความแปรปรวนทางสัณฐานวิทยา

ควรใช้เมื่อใด

ประยุกต์ใช้ GMM เมื่อวิเคราะห์ความแปรปรวนทางสัณฐานวิทยาในกระดูก ฟัน เครื่องปั้นดินเผา หรือวัตถุโบราณประเภทอื่นๆ มีประโยชน์อย่างยิ่งในการตรวจจับความแตกต่างของรูปร่างที่ละเอียดอ่อนซึ่งมาตรวัดแบบดั้งเดิมมองข้ามไป เหมาะอย่างยิ่งสำหรับการศึกษาความสัมพันธ์ระหว่างขนาดและรูปร่าง (allometry) ความแตกต่างระหว่างเพศ หรือการปรับตัวต่อความเครียดจากสิ่งแวดล้อม ทำงานได้ดีที่สุดเมื่อตัวอย่างมีความสมบูรณ์พอสมควรและสามารถกำหนดจุดสำคัญได้อย่างสม่ำเสมอ มีประสิทธิภาพสูงสุดเมื่อวิเคราะห์กลุ่มตัวอย่างขนาดใหญ่ (20+ ตัวอย่างต่อกลุ่ม)

ข้อจำกัดและข้อควรพิจารณา

  • ต้องการตัวอย่างคุณภาพสูงที่มีจุดสำคัญที่ระบุได้ชัดเจน ตัวอย่างที่ไม่สมบูรณ์หรือเสียหายอาจเป็นปัญหา
  • การกำหนดจุดสำคัญต้องอาศัยความเชี่ยวชาญทางกายวิภาคและความใส่ใจอย่างรอบคอบต่อความสม่ำเสมอในทุกตัวอย่าง
  • มีความอ่อนไหวต่อข้อผิดพลาดในการวัด โดยเฉพาะอย่างยิ่งในการศึกษากลุ่มตัวอย่างขนาดเล็ก
  • กำลังทางสถิติขึ้นอยู่กับขนาดกลุ่มตัวอย่างและจำนวนจุดสำคัญที่ใช้
  • ผลลัพธ์อาจตีความได้ยากหากไม่มีซอฟต์แวร์แสดงภาพและความเชี่ยวชาญทางสถิติ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จับความแปรปรวนของรูปร่างโดยรวมโดยไม่สูญเสียข้อมูลเหมือนมาตรวัดเชิงเส้นแบบดั้งเดิม
  • ช่วยให้เห็นภาพความแปรปรวนของรูปร่างในกลุ่มตัวอย่างหรือตามช่วงเวลา
  • ให้การทดสอบทางสถิติเพื่อระบุว่าความแตกต่างของรูปร่างมีความสำคัญหรือไม่
  • สามารถแยกผลกระทบของขนาดออกจากผลกระทบของรูปร่างบริสุทธิ์ผ่านการวิเคราะห์ allometry
  • สามารถประยุกต์ใช้กับข้อมูลหลากหลายประเภท: กระดูก ฟัน เครื่องมือหิน เครื่องปั้นดินเผา เปลือกหอย

การประยุกต์ใช้

  • การประเมินระดับของการดัดแปลงกะโหลกศีรษะเทียมในประชากรยุคหินใหม่และยุคก่อนโคลัมเบียผ่านการวิเคราะห์รูปร่าง 3 มิติ
  • การตรวจจับความแตกต่างระหว่างเพศและการเปลี่ยนแปลงรูปร่างตามอายุในประชากรที่ประสบภาวะทุพโภชนาการ
  • การวัดการตอบสนองทางสัณฐานวิทยาต่อการเปลี่ยนแปลงสิ่งแวดล้อมตลอดลำดับเวลาในแหล่งโบราณคดี
  • การวิเคราะห์รูปร่างเครื่องมือหินเพื่อระบุประเภทเครื่องมือและเทคนิคการผลิตที่แตกต่างกันในบริบททางโบราณคดี
  • การเปรียบเทียบรูปร่างภาชนะเครื่องปั้นดินเผาข้ามวัฒนธรรมเพื่อประเมินความแตกต่างในการใช้งานหรือวิวัฒนาการของรูปแบบ

วิธีการทำงาน

วิธีการทำงาน

1

รวบรวมตัวอย่าง (กระดูก ฟัน เครื่องปั้นดินเผา) ที่มีสัณฐานวิทยาเปรียบเทียบกันได้และเหมาะสมสำหรับการวิเคราะห์จุดสำคัญ ตรวจสอบให้แน่ใจว่าตัวอย่างมีความสมบูรณ์เพียงพอที่จะสามารถกำหนดจุดสำคัญได้อย่างสม่ำเสมอในทุกตัวอย่าง

2

บันทึกตัวอย่างด้วยการถ่ายภาพหรือการสร้างภาพ 3 มิติ วางจุดสำคัญทางกายวิภาคอย่างระมัดระวัง ณ จุดที่สม่ำเสมอและมีความหมายทางชีวภาพในทุกตัวอย่าง สำหรับการวิเคราะห์ 3 มิติ ให้สแกนพื้นผิวหรือสร้างพิกัด 3 มิติจากภาพถ่ายหลายภาพ

3

ดึงข้อมูลพิกัดจุดสำคัญจากตัวอย่างทั้งหมด ทำการซ้อนทับแบบโพรครัสต์ (Procrustes superimposition) เพื่อจัดแนวตัวอย่างทั้งหมดให้อยู่ในกรอบอ้างอิงเดียวกัน โดยขจัดความแปรปรวนที่เกิดจากตำแหน่ง ทิศทาง และขนาด คำนวณรูปร่างเฉลี่ย (consensus shape) สำหรับกลุ่มตัวอย่าง

4

ทำการวิเคราะห์ทางสถิติบนข้อมูลพิกัดรูปร่างที่จัดแนวแล้ว แนวทางทั่วไป ได้แก่ การวิเคราะห์องค์ประกอบหลัก (principal component analysis - PCA) เพื่อแสดงภาพปริภูมิรูปร่าง การวิเคราะห์ฟังก์ชันจำแนก (discriminant function analysis) เพื่อจำแนกตัวอย่างตามกลุ่ม หรือการวิเคราะห์การถดถอย (regression) เพื่อเชื่อมโยงรูปร่างกับตัวแปรทางนิเวศวิทยา

5

ตรวจสอบว่าตัวอย่างจัดกลุ่มอย่างไรในปริภูมิรูปร่าง ทดสอบว่ากลุ่มต่างๆ มีความแตกต่างกันอย่างมีนัยสำคัญในด้านรูปร่างหรือไม่ และระบุบริเวณทางกายวิภาคที่เป็นตัวขับเคลื่อนความแตกต่างที่สังเกตได้ เชื่อมโยงความแปรปรวนของรูปร่างกับกระบวนการทางชีวภาพ (การเจริญเติบโต โรค การปรับตัว) หรือพฤติกรรมทางวัฒนธรรม (การดัดแปลง การคัดเลือก)

ข้อผิดพลาดที่พบบ่อย

  • การกำหนดจุดสำคัญที่ไม่สม่ำเสมอในทุกตัวอย่าง ซึ่งนำไปสู่ความแปรปรวนที่ผิดพลาดในการวิเคราะห์
  • การใช้จุดสำคัญน้อยเกินไปในการจับความแปรปรวนของรูปร่างอย่างเพียงพอ ซึ่งนำไปสู่การสูญเสียข้อมูลที่มีความหมายทางชีวภาพ
  • การไม่ประเมินผลกระทบของขนาดตัวอย่างหรืออายุต่อความแปรปรวนของรูปร่าง ซึ่งทำให้การตีความสับสน
  • การตีความความแตกต่างของรูปร่างที่ละเอียดอ่อนในกลุ่มตัวอย่างขนาดเล็กมากเกินไป จำเป็นต้องมีกลุ่มตัวอย่างขนาดใหญ่ขึ้นเพื่อการอนุมานทางสถิติที่แข็งแกร่ง

คำถามที่พบบ่อย

ความแตกต่างระหว่างจุดสำคัญ (landmarks) จุดกึ่งสำคัญ (semilandmarks) และเส้นโครงร่าง (outlines) ใน GMM คืออะไร?

จุดสำคัญคือจุดที่แยกแยะได้ทางกายวิภาค (เช่น รอยต่อของกระดูก จุดเชื่อมต่อ) ที่สามารถระบุได้อย่างสม่ำเสมอในทุกตัวอย่าง จุดกึ่งสำคัญคือจุดตามเส้นโค้งหรือขอบที่ไม่สามารถระบุตำแหน่งได้อย่างแม่นยำ แต่สามารถประมาณความแปรปรวนของรูปร่างตามลักษณะเหล่านั้นได้ เส้นโครงร่างจับข้อมูลรูปร่างจากขอบ การวิเคราะห์ที่แตกต่างกันจะรวมประเภทข้อมูลเหล่านี้เข้าด้วยกัน ขึ้นอยู่กับโครงสร้างทางสัณฐานวิทยาที่สนใจ

ต้องใช้จุดสำคัญกี่จุดในการศึกษาเรขาคณิตสัณฐานวิทยาที่น่าเชื่อถือ?

จำนวนขึ้นอยู่กับความซับซ้อนของความแปรปรวนของรูปร่างและขนาดกลุ่มตัวอย่าง โดยทั่วไป 15-30 จุดสำคัญให้ความครอบคลุมที่เพียงพอสำหรับการวิเคราะห์กะโหลกศีรษะหรือกระดูก จุดสำคัญที่มากขึ้นจะจับรายละเอียดที่ละเอียดกว่า จุดสำคัญที่น้อยลงอาจพลาดความแปรปรวนที่สำคัญ กำลังทางสถิติจะเพิ่มขึ้นตามขนาดกลุ่มตัวอย่าง สำหรับการวิเคราะห์ที่แข็งแกร่ง ให้ตั้งเป้าหมายที่อย่างน้อย 20-30 ตัวอย่างต่อกลุ่ม กลุ่มตัวอย่างขนาดเล็กที่มีจุดสำคัญจำนวนมากมีความเสี่ยงต่อการเกิด overfitting

การซ้อนทับแบบโพรครัสต์ (Procrustes superimposition) คืออะไร และมีความสำคัญอย่างไร?

การซ้อนทับแบบโพรครัสต์จะจัดแนวตัวอย่างทั้งหมดให้อยู่ในกรอบอ้างอิงเดียวกันโดยการขจัดความแตกต่างที่เกิดจากตำแหน่ง ทิศทาง และขนาดโดยรวม สิ่งนี้ช่วยให้สามารถเปรียบเทียบรูปร่างได้โดยตรง วิธีการนี้จะลดผลรวมของระยะทางกำลังสองระหว่างจุดสำคัญที่สอดคล้องกันในทุกตัวอย่าง การทำให้เป็นมาตรฐานนี้มีความสำคัญอย่างยิ่ง หากไม่มีสิ่งนี้ การวิเคราะห์ทางสถิติจะสับสนด้วยความแตกต่างของขนาดและทิศทาง

สามารถแยกความแปรปรวนของขนาดออกจากความแปรปรวนของรูปร่างใน GMM ได้หรือไม่?

ได้ ผ่านการวิเคราะห์ allometry ด้วยการวิเคราะห์ความสัมพันธ์ระหว่างขนาด (centroid size) และพิกัดรูปร่าง ผู้วิจัยสามารถระบุองค์ประกอบของความแปรปรวนของรูปร่างที่เกี่ยวข้องกับการเปลี่ยนแปลงขนาด (allometry) กับองค์ประกอบที่ไม่ขึ้นกับขนาดได้ สิ่งนี้ช่วยให้สามารถประเมินได้ว่าความแตกต่างทางสัณฐานวิทยาที่เกิดขึ้นระหว่างกลุ่มเกิดจากความแตกต่างของขนาดหรือการเปลี่ยนแปลงรูปร่างที่แท้จริงหรือไม่

ประเมินข้อผิดพลาดในการวัดในเรขาคณิตสัณฐานวิทยาได้อย่างไร?

ข้อผิดพลาดในการวัดจะถูกวัดปริมาณโดยการกำหนดพิกัดจุดสำคัญของตัวอย่างเดียวกันหลายครั้งและคำนวณความสามารถในการทำซ้ำของพิกัดจุดสำคัญ การวิเคราะห์ความแปรปรวนแบบโพรครัสต์ (Procrustes ANOVA) สามารถแบ่งความแปรปรวนออกเป็นข้อผิดพลาดในการวัด ความแปรปรวนของปัจเจกบุคคล และความแตกต่างของกลุ่ม หากข้อผิดพลาดในการวัดมีขนาดใหญ่เมื่อเทียบกับความแปรปรวนทางชีวภาพ ผลลัพธ์จะไม่น่าเชื่อถือ การศึกษาที่ควบคุมอย่างดีจะตรวจสอบโปรโตคอลการกำหนดจุดสำคัญอย่างรอบคอบเพื่อลดข้อผิดพลาดให้เหลือน้อยที่สุด

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Bookstein, F. L. (1991). Morphometric Tools for Landmark Data: Geometry and Biology. Cambridge University Press.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Zelditch, M. L., Swiderski, D. L., Sheets, H. D., & Fink, W. L. (2004). Geometric Morphometrics for Biologists: A Primer. Elsevier.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  3. Rohlf, F. J., & Slice, D. E. (1990). Extensions of the Procrustes method for the optimal superimposition of landmarks. Systematic Zoology, 39(1), 40-59.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว