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
2019年11月27日
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。
基于种子点的 d 映射是一种用于整合看似矛盾的神经影像学元分析研究的方法。例如，关于强迫症灰质异常的研究结果。以往的元分析方法通常评估研究是否支持某一特定脑区存在更多的统计学峰值，而 SDM-PSI 则评估在某一特定脑区是否存在效应。
研究人员主要使用SDM来探究心理功能和神经精神障碍的神经基础，这些研究可能包括fMRI、VBM、DTI、PET或SBM研究。迄今为止，SDM-PSI的使用非常直接。然而，进行正确元分析最重要的步骤是设计精确的元分析方案以及仔细地收集数据。
为了进行详尽的检索，打开感兴趣的数据库，并输入多个关键词，以便查找任何可能符合纳入标准的研究。然后，记录检索到的研究数量以及每种排除原因所对应被排除的研究数量。建议使用这些数据绘制 PRISMA 流程图。
在阅读感兴趣的文献以找到需要提取的特定数据后，若要将Z值和P值转换为T值，请在SDM-PSI软件中点击“Convert peaks”。然后根据表格的指导，使用正值的T值表示增加的峰，负值的T值表示降低的峰。在两样本研究中，当患者的MRI信号高于对照组时，应使用正值的T值。
当患者的 MRI 信号低于对照组时，使用负的 T 值。要将数据导入 SDM-PSI，请打开 SDM-PSI 图形用户界面并关闭“关于”启动窗口。单击“更改元分析”以选择一个新的空目录用于元分析。
单击 SDM 表格编辑器以输入研究中的一般信息，并打开文本编辑器为每项研究创建一个文本文件，用于输入峰值的坐标和 T 值。同时命名文件、所使用的软件程序以及立体定位空间。进行数据预处理时，单击预处理按钮，在标注为“模态”（Modality）的列表框中选择研究的模态，然后按“确定”。随后等待数分钟，程序将通过被试图像的置换计算潜在效应量上下界的图谱。
进行主要分析时，点击“Mean”按钮，然后按“OK”。在 SDM-PSI 完成多重插补和荟萃分析后，点击“Threshold”，选择主要分析的未校正 P 值，然后点击“OK”。SDM-PSI 将自动打开 MRIcron 以可视化结果，并同时打开一个包含结果详细报告的网页。点击“family-wise error correction”，在列表框中选择主要分析，然后点击“OK”。SDM-PSI 程序将在数小时至数天内执行置换检验。完成检验后，再次点击“Threshold”，选择主要分析的 TFCE 校正结果，然后点击“OK”。程序将自动打开 MRIcron 以可视化结果，并同时打开一个包含分析详细报告的网页。
关于异质性、发表偏倚和证据分级，请点击“提取”按钮，从主分析中选择一个峰，然后点击“确定”。程序将自动打开一个网页，显示该P值的统计结果。记录异质性I²统计量。接下来，点击“偏倚检验”按钮，从主分析中选择一个峰，然后点击“确定”。程序将自动打开一个网页，显示漏斗图以及小研究效应检验和过度显著性检验的结果。然后，点击顶部工具栏中的“证据分级”按钮。
从列表框中选择主要分析，然后单击“确定”以查看结果。从这些代表性图谱中可以观察到，强迫症患者在背侧前扣带内侧额叶皮层的灰质体积在统计学上显著减小。该脑区簇中等偏小，主要位于布罗德曼32区，脑区簇峰值位于MNI坐标（2, 32, 32），Z值为4.97，经全脑家族-wise误差率校正后的P值为0.01。
在本项数据分析中，较低的 I² 统计量表明异质性非常小，且漏斗图未显示不对称性。成功进行荟萃分析的关键要素包括制定明确的纳入与排除标准、仔细收集数据，以及不将结果局限于 P 值。SDM-PSI 采用了通用线性模型，用户可据此对研究组进行荟萃回归或荟萃压缩分析，或将其与其它分析进行比较。
许多SDM荟萃分析对其特定领域产生了重大影响。例如，一些荟萃分析揭示了兴奋剂对ADHD中观察到的大脑异常所具有的有趣作用。
概述
本文详细介绍了使用基于种子点的被试图像置换分析（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的过程。该方法旨在整合来自不同研究的结果，这些研究在诸如强迫症（OCD）等疾病中关于灰质异常的发现可能看似相互矛盾。
关键研究组成部分
科学领域
- 神经科学
- 神经影像学
- 荟萃分析
背景
- 基于种子点的体素分析（seed-based d mapping，SDM）可解决神经影像学研究中的不一致性问题。
- SDM 已被应用于多种心理功能及神经精神障碍的研究。
- 与以往方法不同，SDM-PSI 评估的是效应的存在性，而不仅仅是统计学上的峰值。
- 明确的纳入标准和严谨的数据收集对于成功开展元分析至关重要。
研究目的
- 演示使用 SDM-PSI 进行元分析所涉及的步骤。
- 提供关于神经影像数据预处理与分析的深入理解。
- 强调神经影像研究在理解神经精神障碍方面的重要影响。
使用的方法
- 主要使用 SDM-PSI 软件对神经影像数据进行元分析。
- 本研究聚焦于与强迫症（OCD）相关的神经影像学研究，包括 fMRI 和 PET 等多种成像方式。
- 关键的方法学步骤包括设计元分析方案、数据收集，以及通过 SDM-PSI 界面转换统计值。
- 重点强调了数据预处理和主分析执行等关键步骤。
主要结果
- 强迫症患者在特定脑区表现出显著的灰质体积减少。
- 统计分析揭示了现有研究在异质性和潜在偏倚方面的重要发现。
- 结果展示了SDM-PSI在揭示神经影像效应和空间分布方面的实际应用。
- 深入阐明了如何利用SDM-PSI方法开展未来的神经影像元分析。
结论
- 本研究展示了SDM-PSI在开展神经影像学研究全面荟萃分析中的实用性。
- 研究结果强调了采用严谨方法学策略在揭示不同研究间不一致性方面的重要性。
- 研究结果的意义加深了对精神障碍中神经解剖学变异的理解。
常见问题
行业重要性概述
在神经药理学和中枢神经系统药物研发中，整合相互矛盾的神经影像学研究结果对于靶点验证和机制风险评估至关重要。SDM-PSI 通过量化效应强度并评估偏倚，超越了传统的二元显著性检验，从而在早期发现阶段支持更可靠的“推进/终止”决策。该方法通过提供连续的证据分级而非二元结果，有助于对研发项目组合进行优先级筛选。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：通过评估观察到的神经影像学效应是否非零，而非仅仅统计显著性峰值，来验证治疗假设。
- 操作价值：通过效应量估计和偏倚检测，有助于阐明作用通路，减少对错误靶点的假设。
- 预测价值：通过在不同显著性水平和数据量之间评估证据强度，提供预测置信度，为靶点优先级排序提供依据。
筛选与检测方法开发
- 检测准备：通过建立具有量化不确定性的可重复效应图谱，为下游筛选准备经过验证的神经影像生物标志物。
- 定量输出：生成连续的效应量估计值（d值）和异质性指标（I²），以支持可靠的化合物筛选决策。
- 平台复用：标准化工作流程支持跨模态应用（fMRI、VBM、DTI、PET），在不同发现项目中实现生物标志物验证的一致性。
转化与临床前研究
- 转化连续性：通过提供与疾病相关的效应图谱并进行偏倚评估，连接发现与临床前验证，支持机制层面的风险降低。
- 风险调整推进：基于证据分级标准（包含显著性水平、数据量、小研究效应、过度显著性）为临床前“推进/不推进”决策提供依据。
- 生物标志物一致性：通过空间特异且经偏倚校正的效应图谱，实现影像学生物标志物与表型结果的一致性比对。
流程与工作流整合
SDM-PSI 通过提供定量的、可识别偏差的神经影像学证据，支持假设检验和机制层面的风险排除，从而整合到从靶点验证、先导化合物发现直至临床前研究的整个发现流程中。
- 发现生物学：通过评估非零效应并估计效应量，支持假设检验，超越简单的峰值计数，实现对生物学效应的量化。
- 筛选：提供可直接用于检测、可重复的效应图谱，输出定量结果（T值、d值、P值），支持跨模态的可靠化合物评估。
- 分析：提供包括异质性（I²）、偏倚检验（漏斗图、过度显著性检验）以及分级证据水平在内的统计输出，便于多学科交叉解读。
- 转化研究：通过与疾病相关的效应图谱（如强迫症的灰质体积）连接临床前研究，结合量化不确定性和偏倚评估，支持研究转化。
- 企业级复用：建立可复用的神经影像元分析平台，适用于多种精神疾病适应症及影像模态，减少重复的方法学开发。
运营与企业影响
- 科学价值：通过效应量估计实现预测置信度，通过非零效应评估实现靶点验证，通过量化生物学效应减少机制上的模糊性。
- 操作价值：通过预定义的预处理和分析流程实现标准化，通过基于置换的推断实现可重复性，支持跨研究和跨模态的可扩展性。
- 战略价值：通过证据分级实现更优的“推进/终止”决策，通过减少对假靶点的追索提高资本利用效率，通过早期偏倚检测降低后期生物学风险。
- 组合影响：利用分级证据（显著性水平、数据量、偏倚检测）进行风险调整后的优先级排序，基于连续效应指标支持推进决策。
实施注意事项
- 精通神经影像学荟萃分析、置换检验的统计学解释，以及偏倚评估方法（如漏斗图、过度显著性检验）。
- 掌握 SDM-PSI 软件架构、执行置换检验的计算能力（每次分析耗时数小时至数天），以及用于结果解读的可视化工具（MRIcron）。
- 跨团队统一纳入/排除标准、数据提取流程（将 Z 值/P 值转换为 T 值）和立体定向空间报告（MNI/Talairach）。
- 需考虑不同神经影像模态（fMRI、VBM、DTI、PET、SBM）在 SDM-PSI 中所需的模态特异性预处理步骤。
- 实际局限性包括对原始研究质量的依赖、未发表阴性结果可能带来的偏倚，以及大规模数据集进行置换检验时所需的高计算资源。
生物制药常见问题
Chapters in this video
0:04
Title
0:59
Exhaustive Search and Data Collection
2:03
Seed-Based d Mapping with Permutation of Subject Images (SDM-PSI) Data Introduction
2:42
Pre-Processing and Main Analysis
4:08
Heterogeneity, Publication Bias, and Grading
4:53
Results: Representative Smaller Gray Matter Volume Analyses
5:38
Conclusion
