方法文章

基于种子点的体素映射结合被试图像置换法（SDM-PSI）对基于体素的神经影像研究进行元分析

86.2K 次观看

⸱

DOI：

10.3791/59841

⸱

2019年11月27日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

本文内容

摘要

我们详细介绍了如何使用基于种子点的被试图像置换元分析方法（Seed-based d Mapping with Permutation of Subject Images, SDM-PSI）对基于体素的神经影像学研究进行荟萃分析。

摘要

目前大多数用于进行基于体素的神经影像研究荟萃分析的方法，并非评估效应是否不为零，而是评估统计显著性峰值是否存在空间聚集性，并将证据评估简化为仅基于 p 值的二分类（即体素只能被判定为“具有统计学显著性”或“不具有统计学显著性”）。本文详细介绍了如何使用基于种子点的 d 映射结合被试图像置换法（Seed-based d Mapping with Permutation of Subject Images, SDM-PSI）开展荟萃分析，该新方法采用标准的置换检验来评估效应是否不为零。我们还展示了如何根据一系列标准对证据强度进行分级，这些标准涵盖不同水平的统计显著性（从较宽松到较严格）、数据量大小以及潜在偏倚的检测（如小样本效应和显著性过高现象）。为示范该流程，本文详细描述了一项针对强迫症的基于体素的形态学研究的荟萃分析，并提供了从已发表文献中提取的全部数据，以便读者能够轻松复现该分析。SDM-PSI 还可用于功能磁共振成像、弥散张量成像、正电子发射断层扫描以及基于表面的形态学研究的荟萃分析。

引言

自磁共振成像技术问世以来，神经影像学领域已发表了数千项关于心理功能和神经精神障碍神经基础的研究。为了总结这些发现，研究人员已开发出多种方法1,2,3,4,5,6。原始的基于体素的神经影像学研究通常报告统计显著性峰值的坐标（例如，患者组与对照组之间灰质体积比较的结果），而元分析方法则通常评估这些峰值在特定脑区内是否存在空间聚集。

然而，我们先前已表明，这些用于检验峰收敛性的方法依赖于一些微妙的假设，这些假设可能影响元分析结果的模式及其统计学显著性7。具体而言，这些检验假设体素之间相互独立，且每个体素出现“假”峰的概率相同；而在真实的灰质中，体素与其邻近体素存在相关性，且某个体素出现“假”峰的概率取决于其组织成分。此外，这些方法还包含一些悖论，例如当真实效应较少时统计效能反而增加，而当存在多个真实效应时统计效能却下降。

为解决这些问题，我们开发了一种方法，该方法对每项研究的统计效应脑图进行填补，然后进行标准的随机效应元分析，以正式检验这些效应是否与零存在显著差异。该方法称为“基于种子点的d映射结合被试图像置换法”（Seed-based d Mapping with Permutation of Subject Images, SDM-PSI）8，其主要特点包括：

  • 同时考虑研究关注结果的增加与减少（例如激活与去激活），使得相互矛盾的发现能够相互抵消4；
  • 采用随机效应模型进行效应量估计，以提高结果的可靠性与性能9；
  • 可同时纳入现有的三维统计图像（即 t 检验值的地图）10；
  • 基于被试的置换检验，方法与 FSL “randomize” 工具中的完全相同11；
  • 使用无阈值簇增强（TFCE）统计方法12。

我们已在其他地方详细描述并完全验证了SDM方法4,8,10,13,14。

此外，我们建议不要依赖基于统计显著性水平（显著与不显著）对体素进行二分类，而是应使用一组标准来评估证据强度22。二分类的统计显著性简化方法会导致对假阳性率和假阴性率的控制不佳15，而采用的标准则利用统计显著性水平的范围，并考虑数据量或潜在偏差。SDM-PSI 软件可提供进行此类分类所需的各项要素8，因此可用于实现对证据强度更精细的分类。

本文展示了如何使用 SDM-PSI 对基于体素的神经影像学研究进行元分析。为示范该操作流程，我们采用了一项已发表的关于强迫症（OCD）患者灰质异常的基于体素的形态学研究元分析中的数据4。然而，我们并未采用该早期元分析中所使用的方法，而是采用上述最先进的分析流程。读者可从我们的网站（http://www.sdmproject.com/）下载软件及这些数据，以重复本分析过程。

所有旨在对基于体素的神经影像学研究进行荟萃分析的研究人员均可遵循本方案。该方法适用于功能磁共振成像（fMRI，例如对刺激的BOLD反应）16、基于体素的形态学分析（VBM，例如灰质体积）17、扩散张量成像（DTI，例如分数各向异性）18、正电子发射断层扫描（PET，例如受体占有率）19以及基于表面的形态学分析（SBM，例如皮层厚度）等研究或数据集。

方案

1. SDM-PSI 的安装

  1. 访问 https://www.sdmproject.com/software/，下载适用于计算机操作系统的 SDM-PSI 版本（ZIP 文件格式）。
  2. 解压该 ZIP 文件。为避免出现问题，请将其解压至本地文件夹，且路径中不得包含空格。
  3. 点击文件 SdmPsiGui 以启动 SDM-PSI 的图形界面，并关闭随后自动弹出的 About 启动窗口。
  4. 如果 SdmPsiGui 未能自动找到所有必需路径，程序将自动提示显示首选项窗口。请点击 Yes。
    1. 若计算机未安装 MRICron，请访问 https://www.nitrc.org/frs/?group_id=152，下载适用于计算机操作系统的版本（ZIP 文件格式），并解压该文件。
    2. 在首选项窗口的 Brain viewer 选项卡中，确保 Brain viewer 设置为 MRICron，然后点击 Brain viewer executable 旁边的文件夹图标，选择 MRICron 的可执行文件。
    3. 请确认各个选项卡中的其余路径均显示蓝色标记，表示路径设置正确。
  5. 若 SdmPsiGui 未自动显示首选项窗口，请转至 Tools 菜单并点击 Preferences。
  6. 在 Multithreading 选项卡中，设置计算过程中使用的并发线程数。部分 SDM-PSI 计算耗时较长（从数小时到数天不等），并消耗大量 RAM 内存（从数百兆字节到数吉字节）。使用多线程（并行处理）可显著缩短计算时间，但会增加内存占用。
  7. 关闭首选项窗口及 SdmPsiGui。

2. Meta分析计划

  1. 提出一个明确的问题。例如，"强迫症患者是否存在灰质体积的区域性异常？"
  2. 撰写清晰的纳入标准，以便系统性地纳入相关研究。例如，"所有在强迫症患者与健康对照个体之间进行全脑基于体素的灰质体积比较的研究"。
  3. 撰写明确的排除标准，以便系统性地排除因特定原因无法或不应纳入的研究。例如，"样本量少于10例患者的研究、数据重复的研究，或无法获取所需信息的研究"。
  4. 列出需从每项研究中提取的数据。以下列表包含建议提取的数据（其中部分数据并非严格必需，但缺失将降低荟萃分析的质量）：
    • 研究的标识信息。
    • 样本量。
    • 统计显著性水平，即研究中用于确定哪些体素具有统计学显著性的 t 值、z 值或 p 值。
    • 所使用的软件及立体定向空间。SDM-PSI 所支持的软件包与立体定向空间列表见表1。
    • 峰值的坐标及其高度。峰值高度指其 t 值或 z 值，但 p 值也有参考价值。
    • 用于描述样本特征或进行亚组分析及元回归的变量。
  5. 为提高综述质量，建议遵循"神经影像荟萃分析的十条简单规则"20以及PRISMA核对清单21。
  6. 为提高综述的透明度，建议提前在公开数据库（如PROSPERO：https://www.crd.york.ac.uk/PROSPERO/）注册研究方案。

3. 穷举搜索

  1. 选择一组关键词，以便查找可能符合纳入标准的任何研究。例如，关键词可以是 "obsessive–compulsive disorder" 加上 "morphometry"、"voxel-based" 或 "voxelwise"。
  2. 在 PubMed 和 Web of Science 等数据库中进行检索：
    1. 访问数据库网站，例如 PubMed 的网址为 https://www.ncbi.nlm.nih.gov/pubmed/。
    2. 输入检索式。在本示例的荟萃分析中，检索式可以是 "obsessive–compulsive disorder" AND ("morphometry" OR "voxel-based" OR "voxelwise")。在此检索式中，运算符 "AND" 表示所检索的研究必须同时包含所有关键词，运算符 "OR" 表示研究只需包含其中任意一个关键词，括号用于指定这些逻辑运算的执行顺序。因此，检索结果中的研究必须包含关键词 "obsessive–compulsive disorder"，以及 "morphometry"、"voxel-based" 或 "voxelwise" 中的至少一个。请注意，也可采用其他检索策略。
  3. 应用纳入/排除标准。例如，从数据库提供的结果中，仅选择那些分析强迫症患者与健康对照在全脑基于体素的形态学分析中灰质体积差异的文章，并排除样本量少于10例患者的研究，以及重新分析已发表数据的研究。
  4. 为提高检索的全面性，可考虑对所选研究中引用的参考文献进行手工检索。
  5. 为最大限度纳入相关研究并避免数据收集过程中的不确定性，可考虑联系通讯作者，以获取任何缺失或不明确的数据。
  6. 记录检索到的研究数量，以及按每种原因排除的研究数量。建议使用这些数据绘制 PRISMA 流程图21。

4. 数据采集

  1. 针对每项纳入的研究，阅读论文以查找需提取的具体数据。
  2. 系统地保存研究数据，例如将数据输入预设格式的电子表格文件中。为尽量减少输入错误，建议复制并粘贴相关数值，并对保存的数据进行二次核对。
  3. 当统计显著性水平不明确时，可考虑遵循以下建议：
    1. 如果稿件报告了使用两种全脑统计显著性水平获得的峰值，例如 p 值 < 0.001，未对多重比较进行校正（从现在起， "未校正阈值"）和族系误差率（FWER） < 0.05（从现在开始 "校正阈值"），选择未经校正的阈值，并纳入使用该未经校正阈值获得的所有峰。优先采用未经校正阈值的原因在于，研究通常在应用未经校正阈值时可获得更多的峰，而当SDM拥有更多峰的信息时，其对脑图谱的估计更为准确。
    2. 如果论文报告的峰值是使用未校正阈值检测增加、使用校正阈值检测减少（或相反）的结果，则应选择未校正阈值，但仅纳入使用校正阈值获得的峰值。这是一种保守的近似处理方法，因为它可能会舍弃部分使用未校正阈值获得的峰值。此类情况的一个示例是论文中出现如下表述时： "我们在某些脑区检测到经过FWER校正后更大的灰质体积，而即使使用未经校正的p值，也未在任何脑区检测到更小的灰质体积 < 0.001".
    3. 如果作者采用了基于簇的统计方法，则使用簇形成的高度阈值。这是一种保守的近似方法，因为某些体素的 t 值可能高于阈值，但作者由于这些体素形成的簇不够大而将其舍弃。
    4. 如果文稿未指定阈值，则使用略小于最小峰t值的数值。采用该t值的原因是，若作者在未设定簇最小尺寸要求的情况下应用此统计显著性阈值，仍将得到相同的峰。
  4. 记录峰值信息时，请执行以下操作：
    1. 排除使用比全脑所选阈值更宽松的统计显著性阈值所获得的峰。这种情况的一个示例是，作者对某些预先设定的脑区采用了更宽松的阈值或小体积校正。
    2. 将 z 值和 p 值转换为 t 值。点击按钮 转换峰 在 SDM-PSI 软件中可轻松转换它们。或者，在同一电子表格文件中进行转换（例如， "=T.INV(1-0.001,34)" 当 p 值 = 0.001 且自由度为 34 时；自由度等于样本量之和减去参数个数，在双样本比较中，参数个数为 2 加上原始比较中使用的协变量个数。
    3. 对增加的峰（如激活）使用正值 t 值，对减少的峰（如失活）使用负值 t 值。参见 表 2 有关如何确定 t 值符号的指导。
      注意：我们从研究中获取了信息 "Heuvel" 和 "Soriano-Mas" 经个人交流后。

5. 将数据导入 SDM-PSI

  1. 打开 SdmPsiGui，并关闭 关于 启动窗口（关闭时避免按住任何按键）。
  2. 点击图形界面左上角的 更改元分析 按钮，选择用于元分析的目录（可选择任意新的空目录）。
  3. 点击 SDM 表格编辑器 按钮，输入各研究的一般信息，包括研究编号（列 "study"）、样本量（列 "n1" 和 "n2"）、用作统计阈值的 t 值（列 "t_thr"），以及其他可用于进行亚组分析或元回归的潜在变量。
  4. 在所选目录中，为每项研究创建一个包含每个峰值坐标和 t 值的文本文件：
    1. 打开文本编辑器，创建一个文本文件，文件名格式为：[研究编号] + "." + [软件名称] + "_" + [立体定位空间] + ".txt"。例如，对于使用 SPM 软件并在 MNI 空间报告坐标的 "Carmona" 研究，文本文件的名称应为 "Carmona.spm_mni.txt"。如果某研究无峰值，则软件和立体定位空间部分可用 "no_peaks" 替代。
    2. 将每个峰值的坐标和 t 值写在不同的行中。例如，文本文件 "Carmona.spm_mni.txt" 的前几行应为：
      40,39,21,-5.14
      53,27,21,-3.77
      56,23,20,-3.63

6. 预处理

  1. 点击左侧菜单栏中的 预处理 按钮，在标有 "模态" 的列表框中选择研究的模态，然后点击 确定。在本示例的荟萃分析中，模态为 "VBM – 灰质"。
  2. 等待数分钟，SDM-PSI 将计算潜在效应量上下界的图像。SdmPsiGui 将显示四个进度条，用于指示当前进程的执行状态及预计剩余时间。在计算过程中，位于 "处理状态" 旁边的圆形图标将显示为黄色；若执行成功，则变为绿色；若执行失败，则变为红色。

7. 主要分析

  1. 单击左侧菜单栏中的 Mean 按钮，然后按 OK。
  2. 等待（数分钟），SDM-PSI 将执行多重插补和荟萃分析（图 1）。
  3. 单击左侧菜单工具栏中的 Threshold 按钮，在列表中选择主分析的未校正 p 值（默认为"MyTest_uncorrp"），然后按 OK。SDM-PSI 将自动打开 MRICron 以可视化结果，并打开一个包含详细结果报告的网页。
  4. 按左侧菜单工具栏中的 FWE correction 按钮，在列表框中选择主分析（默认为"MyTest"），然后按 OK。
  5. 等待（数小时甚至数天），SDM-PSI 将执行置换检验。
  6. 单击左侧菜单工具栏中的 Threshold 按钮，在列表中选择主分析的 TFCE 校正结果（默认为"MyTest_corrp_tfce"），然后按 OK。SDM-PSI 将自动打开 MRICron 以可视化结果，并打开一个包含详细结果报告的网页。

8. 异质性、发表偏倚与分级

  1. 单击左侧菜单工具栏中的提取按钮，从主分析中选择一个峰（默认为"MyTest_z_p_0.05000_10_neg_peak1"），然后按确定。SDM-PSI 将自动打开一个包含该峰统计信息的网页。记录异质性I2统计量。
  2. 单击左侧菜单工具栏中的偏倚检验按钮，从主分析中选择一个峰（默认为"MyTest_z_p_0.05000_10_neg_peak1"），然后按确定。SDM-PSI 将自动打开一个网页，显示漏斗图以及小样本研究效应检验和过度显著性检验的结果。前者用于检验漏斗图是否存在不对称性（即小样本研究效应量更大），这可能表明只有当小样本研究发现较大效应量时才会被发表，或存在其他偏倚来源；后者用于检验具有统计学显著性结果的研究数量是否多于预期，这可能表明只有当研究发现具有统计学显著性时才会被发表，或存在其他偏倚来源。
  3. 单击顶部工具栏中的证据分级按钮，从列表框中选择主分析（默认为"MyTest"），然后按确定。数秒后，SDM-PSI 将自动启动 MRICron 以显示证据等级分类图像。

结果

如在 MRICron 中打开的主分析阈值图所示（图2，步骤 7.6），强迫症患者的背侧前扣带/内侧额叶皮层灰质体积在统计学上显著减小。配套网页显示，该脑区簇体积中等偏小（143 个体素），主要位于 Brodmann 32 区，其峰值位于 MNI 坐标 [2, 32, 32]，z 值为 -4.97，经 FWER 校正后的 p 值为 0.01。

在步骤 8.1 和 8.2 获取的网页中，较低的 I2 统计量（1.5%）表明异质性极小，漏斗图未显示不对称性（图 3），小研究效应检验和显著性过剩检验结果均为阴性。然而，背侧前扣带回皮层灰质体积较小的证据强度中等偏弱，如在 MRICron 中打开地图进行证据分级时所示，这尤其与数据量有限有关。

当主要分析采用较宽松的统计显著性水平进行阈值设定时（步骤 7.3），患者在纹状体和上顶叶皮层也显示出统计学上显著更大的灰质体积（未经校正的 p 值分别为 0.00006 和 0.0002），但这些异常的证据应被视为较弱。

figure-results-1
图1：SDP-PSI 图形用户界面在平均执行过程中的主窗口。 请点击此处查看此图的放大版本。

figure-results-2
图 2：与匹配的健康对照相比，强迫症患者灰质体积显著较小的脑区。
该显著性簇包含 143 个体素，峰值位于 MNI [2,32,32]，主要涉及背侧前扣带回/内侧额叶皮层，Brodmann 32 区。 请点击此处查看该图的放大版本。

figure-results-3
图3：背侧前扣带回皮层灰质体积显著减小区簇峰值的漏斗图。 请点击此处查看该图的高清版本。

软件包SDM 中的编码
统计参数映射（SPM）spm
FMRIB 软件库（FSL）fsl
其他软件包other
立体定向空间SDM 中的编码
蒙特利尔神经学研究所（MNI）mni
原始 Talairach 空间tal
使用 Brett 变换将 MNI 转换为 Talairach 空间brett

表1：SDM-PSI 支持的软件包与立体定向空间列表。

当以下情况时，t 值必须为正值：当以下情况时，t 值必须为负值：
单样本 fMRI 研究任务 > 基线（激活）任务 < 基线（去激活）
双样本 fMRI 研究患者 > 对照组，任务 > 基线（过度激活）患者 < 对照组，任务 > 基线（低度激活）
患者 < 对照组，任务 < 基线（去激活失败）患者 > 对照组，任务 < 基线（过度去激活）
双样本 VBM / FA 研究患者 > 对照组（体积 / FA 更大）患者 < 对照组（体积 / FA 更小）

表2：峰的t值符号。

讨论

如前所述，大多数基于体素的元分析方法采用峰值汇聚检验，该检验存在一些局限性，然后仅基于 p 值对证据进行二分类。

在本方案中，我们详细介绍了如何使用SDM-PSI进行基于体素的元分析，该方法具有多项优势，包括采用标准置换检验来评估效应的统计学显著性。此外，我们还展示了如何利用一组标准对证据强度进行分级，这些标准超越了仅依赖单一统计学显著性水平的二元分类方法。

为了便于复制本示例中的荟萃分析，我们提供了从先前荟萃分析中已从文献中提取出的数据。有趣的是，在该荟萃分析的论文中，证据“似乎”比我们使用更新方法所得到的证据更强。因此，我们建议对以往基于体素的荟萃分析中非系统性评估的证据应谨慎对待。

我们希望在遵循本方案后，神经影像学荟萃分析能够对神经影像学研究结果的证据提供更丰富、更精细的描述。

披露

作者无任何利益冲突需要披露。

致谢

本工作得到了 Miguel Servet 研究合同 MS14/00041 和 2013–2016 年国家 I+D+i 计划的研究项目 PI14/00292、Carlos III 健康研究所科研评估与促进总局、欧洲区域发展基金（FEDER）以及 PFIS 博士前合同 FI16/00311 的资助。资助方在研究的设计与实施、数据的收集、管理、分析与解释、稿件的撰写、审阅或批准，以及决定提交稿件发表等过程中均未发挥任何作用。

材料

本文使用的材料清单
姓名公司目录编号评论
计算机32 位或 64 位 Windows、64 位 Mac OSX 或 64 位 Linux

参考文献

  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).

重印与许可

标签

置换检验统计学显著性灰质体积强迫症功能磁共振成像扩散张量成像
基于种子点的体素映射结合被试图像置换法（SDM-PSI）对基于体素的神经影像研究进行元分析
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。