Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

מטא-ניתוח של המחקרים המבוססים על הדמיה של Voxel באמצעות מיפוי d מבוסס Seed עם תמורה של תמונות נושא (SDM-PSI)

Published: November 27, 2019 doi: 10.3791/59841
Automatic Translation
1,2, 1,2, 2,3, 4, 5,6,7, 1,2,3,8, 1,2,3,8, 1,2,3,8, 1,2,3,8, 9, 1,2,5,9
1Institut d'Investigacions Biomèdiques August Pi i Sunyer (IDIBAPS), 2Mental Health Research Networking Center (CIBERSAM), 3Institute of Neurosciences, Hospital Clinic de Barcelona, 4Departments of Medicine, of Health Research and Policy, and of Biomedical Data Science, Stanford University School of Medicine, and Department of Statistics, Stanford University School of Humanities and Sciences, 5Department of Psychosis Studies, Institute of Psychiatry, Psychology and Neuroscience, King's College London, 6OASIS Service, South London and Maudsley NHS Foundation Trust, 7Department of Nervous System and Behavioral Sciences, University of Pavia, 8University of Barcelona, 9Centre for Psychiatric Research and Education, Department of Clinical Neuroscience, Karolinska Institutet

Summary

אנו מפרטים כיצד לבצע מטא-ניתוח של voxel מבוססי מחקרים נוירוהדמיה באמצעות מיפוי d מבוסס Seed עם תמורה של תמונות הנושא (SDM-PSI).

Abstract

רוב השיטות לניהול מטא-ניתוח של מחקרים נוירוהדמיה מבוססי voxel אינם מעריכים אם ההשפעות אינן null, אלא אם יש התכנסות של פסגות של משמעות סטטיסטית, ולהפחית את הערכת הראיות לסיווג בינארי בלעדית על פי ערכים (כלומר, voxels יכול להיות רק "משמעותי מבחינה סטטיסטית" או "משמעותי לא מבחינה סטטיסטית"). כאן, אנו מפרטים כיצד לבצע מטא-ניתוח באמצעות מיפוי d מבוסס-Seed עם תמורה של תמונות נושא (SDM-PSI), שיטה מקורית המשתמשת בקריאה סטנדרטית כדי להעריך אם ההשפעות אינן null. כמו כן, אנו מראים כיצד לדרג את חוזק הראיות על פי מערכת קריטריונים הרואה מגוון של רמות מובהקות סטטיסטיות (מיותר ליברלית יותר), כמות הנתונים או זיהוי של הטיות פוטנציאליות (למשל, השפעה קטנה ועודף משמעות). כדי להדגים את הנוהל, אנו מפרטים את ההולכה של מטא-ניתוח של מחקרים מבוססי-הורמטריה המבוססים על voxel בהפרעה אובססיבית-כפייתית, ואנו מספקים את כל הנתונים שכבר חולצו מכתבי היד כדי לאפשר לקורא לשכפל את המטא-אנליזה בקלות. SDM-PSI יכול לשמש גם עבור כלים ניתוח של דימות תהודה מגנטית תפקודית, דיפוזיה הדמיה של טנסור, מיקום הפליטה של טומוגרפיה ולימודים מבוססי פני השטח.

Introduction

מאז המבוא של דימות תהודה מגנטית, הקהילה הנוירוהדמיה פרסמה אלפי מחקרים של מצעים עצביים של פונקציות פסיכולוגיות הפרעות נפשיות. לסיכום ממצאים אלה פותחו מספר שיטות1,2,3,4,5,6. מחקרים המבוססים על דימות מוחי מבוססי voxel מדווחים על הקואורדינטות של הפסגות של המשמעות הסטטיסטית (למשל, בהשוואה לחומר האפור שבין מטופלים ובקרים), ושיטות מטא-אנליטיים בדרך כלל מאפשרות להעריך אם יש התכנסות של פסגות באזורי מוח מסוימים.

עם זאת, הצגנו בעבר כי בדיקות אלה להתכנסות של פסגות מסתמכות על הנחות עדינות שעשויות להשפיע על דפוסי התוצאות של המטא-ניתוח ועל המשמעות הסטטיסטית שלהם7. באופן ספציפי, בדיקות אלה מניחים כי voxels הם עצמאיים וכי יש להם את ההסתברות זהה "שווא" שיא, בעוד בחומר אפור אמיתי, voxels לתאם עם השכנים שלהם ואת ההסתברות כי voxels יש שיא "שווא" תלוי על הרכב הרקמה שלה. בנוסף, הם גם להקיף פרדוקסים כגון כי הכוח הסטטיסטי גדל בנוכחות של כמה אפקטים אמיתיים, ופוחתת כאשר יש השפעות אמיתיות מרובות.

כדי להתגבר על בעיות אלה, פיתחנו שיטה אשר מאשים את מפות המוח של אפקטים סטטיסטיים עבור כל מחקר ולאחר מכן מבצעת תקן אקראי השפעות מטה ניתוח כדי לבדוק באופן רשמי אם ההשפעות הן שונות מאפס. שיטה זו נקראת "מיפוי d מבוסס Seed עם תמורה של תמונות נושא" (SDM-PSI)8 והתכונות העיקריות שלה כוללות:

  • הנהלת חשבונות עבור עליות וירידות הן של תוצאת הריבית (למשל, הפעלה ושחרור) כך ממצאים סותרים לבטל אחד את השני4;
  • שימוש בהערכת גודל השפעה עם מידול אפקטים אקראיים, אשר מגביר את המהימנות ואת הביצועים9;
  • הכללה פוטנציאלית בו של תמונות סטטיסטיות בתלת-ממד זמינות (כלומר, מפות של ערכי t-test)10;
  • בדיקות מבוססות נושא הזהות לאלו של FSL "אקראי" כלי11;
  • שימוש בסטטיסטיקת שיפור האשכול (TFCE) ללא סף (השימוש באשכולות)12.

יש לנו מפורט ובתוקף באופן מלא את שיטות sdm במקום אחר4,8,10,13,14.

בנוסף, אנו מציעים לא להסתמך על סיווג בינארי של voxels מבוסס על רמת משמעות סטטיסטית (משמעותי לעומת לא משמעותי) אבל, לעומת זאת, הערכת הכוח של הראיות באמצעות סט של קריטריונים22. משמעות סטטיסטית בינארית מובילה לשליטה דלה בשיעורים החיוביים והשליליים השווא של15, ואילו הקריטריונים משתמשים בטווחים של רמות מובהקות סטטיסטיות ולוקחים בחשבון את כמות הנתונים או ההטיות הפוטנציאליות. The SDM-PSI התוכנה מחזירה את האלמנטים הדרושים כדי לבצע סיווג כזה8 ולכן הם יכולים להיות מועסק כדי להרשות לעצמם סיווג מיותר בחוזק של הראיות.

כאן אנו מראים כיצד לבצע מטה ניתוח של voxel מבוססי מחקרים נוירוהדמיה באמצעות SDM-PSI. כדי להדגים את הפרוטוקול, אנו משתמשים בנתונים ממטא-ניתוח שפורסם של מחקרים מבוססי וורמטריה המבוססים על voxel, שחקרו את החריגות בחומר האפור בחולים עם הפרעה אובססיבית-כפייתית (כפייתית)4. עם זאת, לא נשתמש בשיטות המועסקות במטא-אנליזה מוקדמת זו, אלא בהליכים החדישים ביותר האמורים לעיל. הקורא יכול להוריד את התוכנה ואת הנתונים האלה מהאתר שלנו (http://www.sdmproject.com/) כדי לשכפל את הניתוח.

כל החוקרים המבקשים לבצע מטא ניתוח של voxel מבוססי מחקרים נוירוהדמיה יכול לעקוב אחר פרוטוקול זה. ניתן להשתמש בשיטה עם דימות תהודה מגנטית תפקודית (fMRI, למשל, תגובה נועזת לגירוי)16, voxel-מבוסס וורמטריה (vbm, למשל, אמצעי אחסון אפור)17, דיפוזיה זנסור הדמיה (dti, למשל, החלקי anisotropy)18, מיקום הפליטה טומוגרפיה (PET, למשל, תפוסה הקולטן)19 ו מבוססי פני השטח ממורמטריה (sbm, למשל עובי הקליפת) לימודים

Protocol

1. התקנת SDM-PSI

  1. עבור אל https://www.sdmproject.com/software/ כדי להוריד את הגירסה של sdm-PSI עבור מערכת ההפעלה של המחשב כקובץ ZIP.
  2. בטל את דחיסת קובץ ה-ZIP. כדי למנוע בעיות, בטל את הדחיסה בתוך תיקיה מקומית ללא רווחים ריקים בנתיב.
  3. לחץ על הקובץ Sdmpsigui כדי לבצע את הממשק הגרפי של sdm-PSI, ולסגור את החלון על הפתיחה באופן אוטומטי לפתוח.
  4. אם Sdmpsigui אינו מוצא את כל הנתיבים הדרושים, הוא יציע באופן אוטומטי להציג את חלון ההעדפות. לחץ על כן.
    1. אם MRICron אינו מותקן במחשב עבור אל https://www.nitrc.org/frs/?group_id=152 כדי להוריד את הגירסה עבור מערכת ההפעלה של המחשב כקובץ zip ולבטל את דחיסת קובץ ה-zip.
    2. בכרטיסייה מציג המוח של חלון ההעדפות, להבטיח כי מציג המוח מוגדר mricron, ולחץ על סמל התיקייה לצד הפעלה מציג המוח כדי למצוא את קובץ ההפעלה mricron.
    3. ודא שכל הנתיבים הנותרים בכרטיסיות השונות כוללים סימנים כחולים, המציינים שהנתיבים נכונים.
  5. במקרה ש-SdmPsiGui לא הציג באופן אוטומטי את חלון ההעדפות, עבור לתפריט כלים ולחץ על העדפות.
  6. בכרטיסיה ריבוי שרשור , ציין את מספר הליכי המשנה הו שבהם יש להשתמש בחישובים. חישובי SDM-PSI מסוימים לוקחים זמן רב מאוד (משעות לימים) וצורכים כמות גדולה של זיכרון RAM (ממאות מגה-בתים לג). השימוש בהליכי מספר מרובים (עיבוד מקבילי) מקטין באופן ניכר את הזמן אך מגביר את הזיכרון המשמש.
  7. סגור את חלון ההעדפות ו-SdmPsiGui.

2. תוכנית הניתוח

  1. ציין שאלה מדויקת. למשל, "האם לחולים עם כוויות בהפרעה?"
  2. כתוב קריטריוני הכללה ברורים המאפשרים הכללה שיטתית של המחקרים. למשל, "כל המחקרים שביצעו השוואה המוח השלם voxel מבוסס על עוצמת החומר האפור בין אנשים עם בקרות כפייתית ובריאה".
  3. כתוב קריטריוני אי-הכללה המאפשרים החרגה שיטתית של מחקרים שאינם יכולים או שאינם נכללים מסיבות ספציפיות. למשל, "מחקרים עם פחות מ -10 חולים, מערכות נתונים כפולות או מחקרים שמהם לא ניתן לאחזר את המידע הנדרש".
  4. רשום את הנתונים כדי לחלץ מכל מחקר. הרשימה הבאה כוללת את הנתונים המומלצים (חלקם אינם נדרשים באופן מדויק, אך היעדרם דלדל את המטא-אנליזה):
    • . זיהוי של המחקר
    • גודל המדגם.
    • רמת המובהקות הסטטיסטית, המהווה ערך t, ערך z או ערך p-value המשמשים במחקר כדי לקבוע אילו voxels היו משמעותיים מבחינה סטטיסטית.
    • מרחב התוכנה והסטריאוטקטיקה. ראה שולחן 1 לרשימת חבילות התוכנה ומרווחי הסטריאוטקטיקה שהבינו על-ידי sdm-PSI.
    • . נקודות הציון והגובה של הפסגות גובה השיא הוא ערך t או ערך z, אך ערך p הוא גם שימושי.
    • משתנים שישמשו לתיאור הדגימות או לביצוע ניתוחי תת-קבוצות או שימוש במטה-רגרסיה.
  5. כדי להגדיל את איכות הסקירה, לשקול בעקבות "עשרה כללים פשוטים עבור הדמיה ממוחשבת מטא-ניתוח"20 ו-prisma רשימת הפעולות21.
  6. כדי להגדיל את שקיפות הסקירה, שקול לרשום את הפרוטוקול מראש במסד נתונים זמין לציבור, כגון PROSPERO (https://www.crd.york.ac.uk/PROSPERO/).

3. חיפוש ממצה

  1. בחר קבוצה של מילות מפתח המאפשרות למצוא כל מחקר שעשוי לעמוד בקריטריוני ההכללה. לדוגמה, מילות החיפוש עשויות להיות "הפרעה אובססיבית-כפייתית" בתוספת "גוורמטריה", "voxel מבוסס" או "voxelwise".
  2. ערוך את החיפוש במאגרי מידע כגון: לפומד ורשת המדע
    1. עבור לאתר האינטרנט של מסד הנתונים, לדוגמה https://www.ncbi.nlm.nih.gov/pubmed/ לפורפואה.
    2. הקלד את שאילתת החיפוש. בדוגמה המטא-ניתוח, השאילתה עשויה להיות "הפרעה אובססיבית-כפייתית" ו-("גוורמטריה" או "voxel-מבוסס" או "voxelwise"). בשאילתה זו, המפעיל "AND" פירושו שהמחקרים חייבים להיות בעלי כל מילות החיפוש, המפעיל "OR" פירושו שהמחקרים חייבים לכלול לפחות אחת ממילות החיפוש, והסוגריים מציינים את סדר הפעולות הלוגיות. לפיכך, למחקרים שאוחזרו חייב להיות מילת המפתח "הפרעה אובססיבית-כפייתית" ולפחות אחת המילות מפתח "," מבוסס ווקסאל "או" voxelwise ". שים לב שאסטרטגיות אחרות אפשריות.
  3. החל את קריטריוני הכלילה/אי-הכללה. למשל, מתוך התוצאות שסופקו על ידי מסדי הנתונים, לבחור רק את המאמרים לנתח את ההבדלים באמצעי החומר האפור בין החולים עם הפרעת אובססיה כפייתית ושולטת ביצוע של המוח המלא מבוסס voxel מבוססי מחקרים, ולמחוק מחקרים כולל פחות מ 10 חולים ומחקרים שנותחו מחדש
  4. כדי להגדיל את הexhaustiveness של החיפוש, שקול לבצע חיפוש ידני על העבודות שאליהן הופנה במחקרים שנבחרו.
  5. כדי למקסם את הכללת המחקרים ולהימנע מחוסר ודאות באוסף הנתונים, שקול לפנות למחברים המתאימים כדי לבקש נתונים חסרים או לא ברורים.
  6. הקלט את מספר המחקרים שאוחזרו ומספר המחקרים שלא נכללו מכל סיבה שהיא. שקול ליצור דיאגרמת PRISMA זרימה21 עם מספרים אלה.

4. אוסף הנתונים

  1. עבור כל מחקר כלול, קרא את כתב היד כדי למצוא את הנתונים הספציפיים כדי לחלץ.
  2. שמור את הנתונים ממחקרים באופן שיטתי, לדוגמה, הקלדת הנתונים בקבצי גיליון אלקטרוני מעוצב מראש. כדי למזער את שגיאות ההקלדה, שקול להעתיק ולהדביק את מספר הריבית ולבדוק כפול את הנתונים שנשמרו.
  3. כאשר רמת המובהקות הסטטיסטית אינה ברורה, שקול לעקוב אחר ההמלצות הבאות:
    1. אם כתב היד מדווח על הפסגות המתקבלות באמצעות שתי רמות מובהקות סטטיסטיות במוח, לדוגמה פי ערך < 0.001 ללא תיקון עבור השוואות מרובות (מעתה והלאה, "סף לא מתוקן") ושיעור שגיאה משפחתי (FWER) < 0.05 (מעתה והלאה) הסף המתוקן "), בחר את הסף שאינו מתוקן וכלול את כל הפסגות המתקבלות באמצעות הסף הבלתי מתוקן הזה. הסיבה להעדיף את הסף הבלתי מתוקן היא שמחקרים בדרך כלל משיגים יותר פסגות שמחילים על הסף שאינו מתוקן, ו-SDM מעריך את המפות באופן מדויק יותר אם יש לו מידע מפסגות נוספות.
    2. אם כתב היד מדווח על הפסגות שהושגו באמצעות סף לא מתוקן ומהווה סף מתוקן לירידה (או להיפך), בחר את הסף שלא תוקן, אך כלול רק את הפסגות שהושגו באמצעות הסף המתוקן. זוהי קירוב שמרני משום שהיא עלולה להתעלם מכמה פסגות שהושגו באמצעות הסף שאינו מתוקן. דוגמה למצב זה עשויה להיות כאשר כתב יד מצהיר משהו כגון "גילינו FWER-תיקון כרכים גדולים יותר של חומר אפור באזורים מסוימים, בעוד אנחנו לא מזהים את החומר האפור קטן יותר באזור כלשהו גם באמצעות < לא מתוקן הערך של מ0.001".
    3. אם המחברים החילו סטטיסטיקות מבוססות אשכול, השתמש בסף הגובה של האשכול. זוהי קירוב שמרני מכיוון שייתכן שלכמה voxels היו ערכים גבוהים יותר מהסף, אך המחברים השליכה אותם משום שהאשכולות שלהם לא היו גדולים מספיק.
    4. אם כתב היד אינו מציין סף, השתמש בערך קטן מעט יותר מהערך t של השיא הקטן ביותר. הסיבה לשימוש בערך t היא שאם המחברים החילו את הסף הסטטיסטי הזה ללא צורך בגודל מינימלי של האשכולות, הם היו מוצאים את אותן פסגות.
  4. בעת הקלטת מידע השיא בצע את הפעולות הבאות:
    1. אל תכלול פסגות שהושגו באמצעות סף מובהקות סטטיסטי שהוא ליברלי יותר מהסף שנבחר לשאר המוח. דוגמה למצב זה היא כאשר המחברים להחיל סף ליברלי יותר או תיקוני נפח קטן לכמה אזורי מוח מפריורי.
    2. המר ערכי z וערכי p לערכי t. לחץ על לחצן להמיר פסגות בתוכנה sdm-PSI כדי להמיר אותם בקלות. לחילופין, המירו אותם באותו קובץ גיליון אלקטרוני (לדוגמה, "= T. INV (1-0.001, 34)" עבור p-value = 0.001 ו-34 מעלות החופש; דרגות החופש הן סכום המידות של גודל המדגם פחות מספר הפרמטרים, אשר בהשוואה של שתי דוגמאות הן שתיים בתוספת מספר הקוונים המשמשים בהשוואה ה
    3. השתמש בערכי t חיוביים עבור פסגות של הגדלה (למשל, הפעלה) וערכי t שליליים עבור פסגות של הפחתה (למשל, הפעלת הביטול). ראה שולחן 2 להדרכה על אופן ההחלטה של הסימן של ערכי ה-t.
      הערה: קיבלנו מידע ממחקרים "Heuvel" ו-"סוריאנו-Mas" לאחר תקשורת אישית.

5. הכנסת נתונים לתוך SDM-PSI

  1. פתח את Sdmpsigui וסגור את החלון אודות הפתיחה (להימנע מהקשה על מקש כלשהו בעת סגירתו).
  2. לחץ על לחצן שינוי המטא-ניתוח בחלק השמאלי העליון של הממשק הגרפי כדי לבחור ספריה עבור המטא-ניתוח (כל ספריה ריקה חדשה של בחירה תעשה).
  3. לחץ על עורך הטבלה Sdm לחצן לקלט מידע כללי מן המחקרים, כולל הזיהוי שלהם (עמודה "מחקר"), גדלי לדוגמה שלהם (עמודות "n1" ו-"n2"), את ערך ה-t שהם השתמשו כספי סטטיסטי (עמודה "t_thr"), ומשתנים פוטנציאליים אחרים לבצע ניתוח קבוצות משנה או
  4. בתוך הספריה שנבחרה, צור קובץ טקסט עבור כל מחקר עם נקודות הציון והערך t של כל שיא:
    1. פתח עורך טקסט כדי ליצור קובץ טקסט בשם [זיהוי הלמידה] + "." + [התוכנה] + "_" + [מרחב הסטריאוטקטיק] + ". txt". למשל, עבור המחקר "Carmona" שנערך עם SPM ומדווח קואורדינטות במרחב MNI, השם של קובץ הטקסט חייב להיות "Carmona. spm_mni. txt". אם למחקר אין פסגות, ניתן להחליף את התוכנה ואת מרחב הסטריאוטקטיק על ידי "no_peaks".
    2. כתוב את הקואורדינטות ואת ערך ה-t של כל פסגה בשורה אחרת. לדוגמה, השורות הראשונות של קובץ הטקסט "Carmona. spm_mni. txt" אמורות להיות:
      40, 39, 21,-5.14
      53, 27, 21,-3.77
      56, 23, 20,-3.63

6. עיבוד טרום

  1. לחץ על לחצן קדם-עיבוד בשורת התפריטים השמאלית, בחר את המודאליות של המחקרים בתיבת הרשימה הנקראת "מודאליות" ולחץ על אישור. בדוגמה מטה-ניתוח, המודאליות היא "VBM – חומר אפור".
  2. המתן (מספר דקות) ואילו SDM-PSI מחשב את המפות של הגבולות התחתונים והעליונים של גדלים פוטנציאליים של אפקטים. SdmPsiGui יציג ארבעה פסי התקדמות המציגים את מצב ההוצאה להורג ואת הזמן הנותר הצפוי לתהליך הנוכחי. במהלך החישובים, צבע המעגל ליד "מצב עיבוד" יהיה צהוב, וישתנה לירוק אם הביצוע יסתיים בהצלחה, או לאדום אם הוא ייכשל.

7. ניתוח ראשי

  1. לחץ על לחצן ממוצע בשורת התפריטים השמאלית ולחץ על אישור.
  2. המתן (מספר דקות) ובעוד SDM-PSI מנהל את החוצפה והמטא-ניתוח מרובים (איור 1).
  3. לחץ על לחצן הסף בארגז הכלים של התפריט השמאלי, בחר את ערכי p הבלתי מתוקנים של הניתוח הראשי ("MyTest_uncorrp" כברירת מחדל) ולחץ על אישור. SDM-PSI יפתח באופן אוטומטי הן MRICron כדי להמחיש את התוצאות דף אינטרנט עם דוח מפורט עליהם.
  4. לחץ על לחצן תיקון fwe בארגז הכלים של התפריט השמאלי, בחר את הניתוח הראשי בתיבת הרשימה ("mytest" כברירת מחדל) ולחץ על אישור.
  5. המתן (כמה שעות או אפילו ימים) בעוד SDM-PSI מקיים את הבדיקה התמורה.
  6. לחץ על לחצן הסף בארגז הכלים של התפריט השמאלי, בחר בתיקון ה-tfce של הניתוח הראשי ("MyTest_corrp_tfce" כברירת מחדל) ולחץ על אישור. SDM-PSI יפתח באופן אוטומטי הן MRICron כדי להמחיש את התוצאות דף אינטרנט עם דוח מפורט עליהם.

8. טרוגניות, פרסום הטיה וציון

  1. לחץ על לחצן החילוץ בארגז הכלים של התפריט השמאלי, בחר בשיא מהניתוח הראשי ("MyTest_z_p_0.05000_10_neg_peak1" כברירת מחדל) ולחץ על אישור. SDM-PSI יפתח באופן אוטומטי דף אינטרנט עם סטטיסטיקות של שיא זה. רשום לפניך את סטטיסטיקת טרוגניות I2 .
  2. לחץ על הלחצן בדיקת הטיה בארגז הכלים של התפריט השמאלי, בחר בשיא מהניתוח הראשי ("MyTest_z_p_0.05000_10_neg_peak1" כברירת מחדל) ולחץ על אישור. SDM-PSI יפתח באופן אוטומטי דף אינטרנט עם מגרש משפך ותוצאות מבחן לאפקט למידה קטנה ומבחן לחשיבות עודפת. המבחנים לשעבר אם יש סימטריה בעלילה המשפך (כלומר, גודל אפקט גדול יותר במחקרים קטנים), אשר יכול לציין כי מחקרים קטנים מתפרסמים רק אם הם מוצאים גדלים גדולים אפקט או מקורות אחרים של הטיה. האחרון בוחן אם מספר המחקרים עם תוצאות משמעותיות מבחינה סטטיסטית גדול מהצפוי, אשר יכול לציין כי מחקרים מתפרסמים רק אם הם מוצאים תוצאות משמעותיות סטטיסטית או מקורות אחרים של הטיה.
  3. לחץ על לחצן דירוג הראיות מארגז הכלים העליון, בחר את הניתוח הראשי ("mytest" כברירת מחדל) מתיבת הרשימה ולחץ על אישור. לאחר כמה שניות, SDM-PSI יפתח באופן אוטומטי MRICron כדי להראות את כיתות הראיות.

Representative Results

כפי שמוצג במפה שנפתח MRICron כאשר סף של הניתוח העיקרי (איור 2, שלב 7.6), חולים עם כפייתית היתה מבחינה סטטיסטית באופן משמעותי נמוך יותר החומר האפור האמצעי בקליפת המוח הקדמית cingulate/המדיאלי הקדמית. דף האינטרנט הנלווה מפרט שהאשכול קטן בינוני (143 voxels) וממוקם בעיקר באזור ברומאן 32, ושפסגת האשכול נמצא ב-MNI [2, 32, 32], בעל ערך z של-4.97 וערך p-מתוקן של 0.01.

בדפי האינטרנט שהתקבלו בשלבים 8.1 ו 8.2, סטטיסטיקת I2 נמוך (1.5%) מעיד על טרוגניות קטן מאוד, מגרש המשפך אינו מראה אסימטריות (איור 3), והן את הבדיקה לאפקט למידה קטנה והבדיקה של עודף משמעות שלילית. עם זאת, הראיות של נפח החומר האפור קטן בקליפת cingulate קדמית הקדמי הוא חלש למדי, כפי שמוצג במפה לפתוח MRICron כאשר ציון ראיות, במיוחד בשל כמות מוגבלת של נתונים.

כאשר הניתוח העיקרי היה thresholded באמצעות רמת משמעות סטטיסטית פחות מחמירים (שלב 7.3), המטופלים הראו גם סטטיסטית גדול באופן משמעותי החומר האפור הנפח בסטריאטום ומעולה הקודקודית (מתוקן p-ערכים = 0.00006 ו 0.0002 בהתאמה), אבל הראיות של חריגות אלה צריך להיחשב חלשה יותר.

Figure 1
איור 1: החלון הראשי של ממשק המשתמש הגרפי SDP-PSI במהלך ביצוע ממוצע. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 2
איור 2: אזורים של נפח מבחינה סטטיסטית קטן באופן משמעותי אפור בחולים עם הפרעה אובססיבית-כפייתית לעומת פקדים בריאים תואמים.
האשכול של המשמעות הסטטיסטית מכסה 143 voxels, יש את השיא שלה ב MNI [2, 32, 32], וכולל בעיקר קליפת המוח הקדמית cingulate/המדיאלי הקדמית, אזור ברומאן 32. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 3
איור 3: משפך מגרש לפסגת האשכול של חומר מבחינה סטטיסטית קטן באופן משמעותי אפור בקליפת cingulate קדמית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

חבילות תוכנה קידוד בsdm
מיפוי פרמטרי סטטיסטי (SPM) spm
FMRIB ספריית תוכנה (FSL) מיכל לופו
חבילות נוספות אחרים
מרחב סטריאוטקטיקה קידוד בsdm
המכון הנוירולוגי של מונטריאול (MNI) זעירה
טלאיראך גולמי טל
MNI המרה לטאלראך באמצעות המרה של ברט ברט

טבלה 1: רשימת חבילות תוכנה וחללים סטריאוטקטיקה הבינו על-ידי SDM-PSI.

ערכי t חייבים להיות חיוביים כאשר: ערכי t חייבים להיות שליליים כאשר:
מחקרים fMRI לדוגמה אחת משימה > תוכנית בסיסית (הפעלה) משימה < תוכנית בסיסית (ביטול הפעילות)
מחקרים fMRI לשני לדוגמה מטופלים > פקדים ב> תוכנית בסיסית (hyper-הפעלה) מטופלים < פקדים ב> תוכנית בסיסית (היפו-הפעלה)
מטופלים < פקדים ב< תוכנית בסיסית (כשל בביטול השימוש) מטופלים > פקדים בתוכנית בסיסית < משימה (היפר-ביטול)
לימודי ה-VBM/FA עם שני מדגם מטופלים > פקדים (נפח גדול יותר/פא) מטופלים < פקדים (נפח קטן יותר/FA)

שולחן 2: לחתום על ערכי t של הפסגות.

Discussion

כפי שהוצג קודם לכן, רוב השיטות המבוססות על המטא-אנליטיים משתמשות במבחן להתכנסות של פסגות בעלי מגבלות מסוימות, ולאחר מכן מבצעות סיווג בינארי של הראיות בהתבסס על ערכי p.

בפרוטוקול זה, אנו מפורטים כיצד לנהל מטה-ניתוח המבוסס על voxel באמצעות SDM-PSI, שיש לו מספר תכונות חיוביות כולל מבחן תמורה סטנדרטית להערכת המשמעות הסטטיסטית של ההשפעות. בנוסף, אנו מראים כיצד ניתן לדרג את כוחה של הראיות באמצעות סט של קריטריונים שמעבר לסיווג בינארי המסתמך אך ורק על רמת מובהקות סטטיסטית אחת.

כדי להקל על השכפול של המטא-ניתוח לדוגמה, אנו מספקים את הנתונים שכבר חולצו מכתבי היד ממטה-ניתוח הקודם. מעניין, בכתב היד של המטא-אנליזה, ההוכחות "נראו" חזקות יותר מהראיות שמצאנו עם השיטות המעודכנות. לפיכך, אנו מציעים כי הערכות בלתי שיטתית של הראיות במטא-ניתוחים הקודמים המבוססים על voxel נלקחים בזהירות.

אנו מקווים כי בעקבות פרוטוקול זה, הדמיה ממוחשבת מטא-ניתוח לספק תיאור עשיר יותר מגרקה של הראיות של ממצאים נוירוהדמיה.

Disclosures

. למחברים אין מה לגילוי

Acknowledgments

עבודה זו נתמכת על ידי מיגל Servet חוזה מחקר MS14/00041 ופרויקט מחקר PI14/00292 מהתוכנית הנאסיונאל דה אני + D + I 2013-2016, המכון דה סולד קרלוס השלישי-כללי ההערכה הכללית של המחקר, הקרן האירופית לפיתוח האזור (פדר), ועל ידי PFIS חוזה קדם דוקטורט FI16/00311. לתורמים לא היה כל תפקיד בעיצוב ובניהול המחקר; איסוף, ניהול, ניתוח ופרשנות של הנתונים; הכנה, סקירה או אישור של כתב היד; וההחלטה להגיש את כתב היד לפרסום.

Materials

Name Company Catalog Number Comments
Computer 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux

DOWNLOAD MATERIALS LIST

References

  1. Turkeltaub, P. E., Eden, G. F., Jones, K. M., Zeffiro, T. A. Meta-analysis of the functional neuroanatomy of single-word reading: method and validation. Neuroimage. 16 (3 Pt 1), 765-780 (2002).
  2. Laird, A. R., et al. ALE meta-analysis: controlling the false discovery rate and performing statistical contrasts. Human Brain Mapping. 25 (1), 155-164 (2005).
  3. Wager, T. D., Lindquist, M., Kaplan, L. Meta-analysis of functional neuroimaging data: current and future directions. Social Cognitive and Affective Neuroscience. 2 (2), 150-158 (2007).
  4. Radua, J., Mataix-Cols, D. Voxel-wise meta-analysis of grey matter changes in obsessive-compulsive disorder. British Journal of Psychiatry. 195 (5), 393-402 (2009).
  5. Eickhoff, S. B., et al. Coordinate-based activation likelihood estimation meta-analysis of neuroimaging data: a random-effects approach based on empirical estimates of spatial uncertainty. Human Brain Mapping. 30 (9), 2907-2926 (2009).
  6. Eickhoff, S. B., Bzdok, D., Laird, A. R., Kurth, F., Fox, P. T. Activation likelihood estimation meta-analysis revisited. Neuroimage. 59 (3), 2349-2361 (2012).
  7. Albajes-Eizagirre, A., Radua, J. What do results from coordinate-based meta-analyses tell us? Neuroimage. 176, 550-553 (2018).
  8. Albajes-Eizagirre, A., Solanes, A., Vieta, E., Radua, J. Voxel-based meta-analysis via permutation of subject images (PSI): Theory and implementation for SDM. Neuroimage. 186, 174-184 (2018).
  9. Bossier, H., et al. The Influence of Study-Level Inference Models and Study Set Size on Coordinate-Based fMRI Meta-Analyses. Frontiers in Neuroscience. 11, 745 (2017).
  10. Radua, J., et al. A new meta-analytic method for neuroimaging studies that combines reported peak coordinates and statistical parametric maps. European Psychiatry. 27 (8), 605-611 (2012).
  11. Winkler, A. M., Ridgway, G. R., Webster, M. A., Smith, S. M., Nichols, T. E. Permutation inference for the general linear model. Neuroimage. 92, 381-397 (2014).
  12. Smith, S. M., Nichols, T. E. Threshold-free cluster enhancement: addressing problems of smoothing, threshold dependence and localisation in cluster inference. Neuroimage. 44 (1), 83-98 (2009).
  13. Radua, J., et al. Anisotropic kernels for coordinate-based meta-analyses of neuroimaging studies. Frontiers in Psychiatry. 5, 13 (2014).
  14. Albajes-Eizagirre, A., Solanes, A., Radua, J. Meta-analysis of non-statistically significant unreported effects. Statistical Methods in Medical Research. 962280218811349, (2018).
  15. Durnez, J., Moerkerke, B., Nichols, T. E. Post-hoc power estimation for topological inference in fMRI. Neuroimage. 84, 45-64 (2014).
  16. Fullana, M. A., et al. Fear extinction in the human brain: A meta-analysis of fMRI studies in healthy participants. Neuroscience & Biobehavioral Reviews. 88, 16-25 (2018).
  17. Wise, T., et al. Common and distinct patterns of grey-matter volume alteration in major depression and bipolar disorder: evidence from voxel-based meta-analysis. Molecular Psychiatry. 22 (10), 1455-1463 (2017).
  18. Radua, J., et al. Multimodal voxel-based meta-analysis of white matter abnormalities in obsessive-compulsive disorder. Neuropsychopharmacology. 39 (7), 1547-1557 (2014).
  19. He, W., et al. Meta-analytic comparison between PIB-PET and FDG-PET results in Alzheimer's disease and MCI. Cell Biochemistry and Biophysics. 71 (1), 17-26 (2015).
  20. Muller, V. I., et al. Ten simple rules for neuroimaging meta-analysis. Neuroscience & Biobehavioral Reviews. 84, 151-161 (2018).
  21. Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., Group, P. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. British Medical Journal. 339, b2535 (2009).
  22. Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. 17, 49-66 (2018).

Tags

מדעי המוח סוגיה 153 שגיאה משפחה חכמה שיעור תהודה מגנטית פונקציונלית דימות (fMRI) מטא-ניתוח נוירודימות תמורה של תמונות נושא (PSI) מיפוי d מבוסס-seed (SDM) שיפור האשכול ללא גבולות (TFCE) voxel מבוסס מורמטריה (VBM)
מטא-ניתוח של המחקרים המבוססים על הדמיה של Voxel באמצעות מיפוי d מבוסס Seed עם תמורה של תמונות נושא (SDM-PSI)
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Albajes-Eizagirre, A., Solanes, A.,… More

Albajes-Eizagirre, A., Solanes, A., Fullana, M. A., Ioannidis, J. P. A., Fusar-Poli, P., Torrent, C., Solé, B., Bonnín, C. M., Vieta, E., Mataix-Cols, D., Radua, J. Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI). J. Vis. Exp. (153), e59841, doi:10.3791/59841 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter