Méta-analyse des études de neuroimagerie à base de Voxel à l'aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI)
27 novembre 2019
Nous détaillons comment effectuer une méta-analyse des études de neuroimagerie à base de voxel à l'aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI).
La cartographie d à base de graines est une méthode pour mettre en place les études de neuroimagerie méta-analyse qui peuvent sembler contradictoires. Par exemple, les résultats d’études sur les anomalies de la matière grise dans le TOC. Les méthodes méta-analytiques précédentes ont généralement évalué si les études soutiennent plus de pics statistiques dans une raison ou dans une autre, tandis que SDM-PSI évalue s’il y a un effet dans une raison particulière.
Les chercheurs ont principalement utilisé SDM pour étudier les substrats neuronaux des fonctions psychologiques et des troubles neuropsychiatriques, qui peuvent inclure des études fMRI, VBM, DTI, PET ou SBM. L’utilisation de SDM-PSI jusqu’à présent est assez simple. Toutefois, les étapes les plus importantes pour effectuer une méta-analyse correcte sont la conception d’un plan précis de méta-analyse et la collecte minutieuse des données.
Pour effectuer une recherche exhaustive, ouvrez la base de données d’intérêt et entrez divers mots clés qui permettront de rechercher toute étude qui pourrait répondre aux critères d’inclusion. Ensuite, enregistrez le nombre d’études récupérées et le nombre d’études exclues pour chaque raison. Envisagez de créer un diagramme de flux PRISMA avec ces nombres.
Après avoir lu les manuscrits d’intérêt pour trouver les données spécifiques à extraire, pour convertir les valeurs Z et P en valeurs T, cliquez sur Convertir les pics du logiciel SDM-PSI. Utilisez ensuite des valeurs T positives pour les pics d’augmentation et des valeurs T négatives pour les pics de diminution, en utilisant le tableau pour guider la façon de décider du signe des valeurs T. Dans deux études d’échantillon, vous utilisez des valeurs T positives lorsque le signal IRM est plus élevé chez les patients que dans les témoins.
Et utilisez des valeurs T négatives lorsque le signal IRM est plus faible chez les patients que dans les témoins. Pour introduire les données dans SDM-PSI, ouvrez l’interface utilisateur graphique SDM-PSI et fermez la fenêtre About splash. Cliquez sur Modifier la méta-analyse pour sélectionner un nouveau répertoire vide pour la méta-analyse.
Cliquez sur l’éditeur de table SDM pour saisir les informations générales des études et ouvrir un éditeur de texte pour créer un fichier texte pour chaque étude afin de taper les coordonnées et les valeurs T des pics. Et nommez le fichier, le logiciel utilisé et l’espace stéréotaxique. Pour le prétraitement des données, cliquez sur le bouton de prétraitement, sélectionnez la modalité des études à la case liste étiquetée Modalité et appuyez sur OK. Ensuite, attendez plusieurs minutes pendant que la permutation du programme d’images sujet a calculé les cartes des limites inférieures et supérieures des tailles d’effet potentielles.
Pour effectuer l’analyse principale, cliquez sur le bouton Mean et appuyez sur OK. Une fois que le SDM-PSI a effectué les multiples imputations et méta-analyses, cliquez sur Seuil, sélectionnez les valeurs P non corrigées de l’analyse principale et cliquez sur OK. SDM-PSI ouvrira automatiquement mricron pour visualiser les résultats et une page Web avec un rapport détaillé des résultats. Cliquez sur la correction d’erreur du point de vue de la famille pour sélectionner l’analyse principale dans la boîte de liste et cliquez sur OK. Le programme SDM-PSI effectuera le test de permutation sur plusieurs heures ou jours. À la fin du reste, cliquez sur Seuil, sélectionnez la correction TFCE de l’analyse principale et cliquez sur OK. Le programme ouvrira automatiquement mricron pour visualiser les résultats et une page Web avec un rapport détaillé de l’analyse.
Pour l’hétérogénéité, le biais de publication et le classement, cliquez sur extrait, sélectionnez un pic de l’analyse principale et appuyez sur OK. Le programme ouvrira automatiquement une page Web avec des statistiques de ce P.Enregistrer l’hétérogénéité I-carré statistique. Cliquez ensuite sur le bouton Bias Test, sélectionnez un pic de l’analyse principale et cliquez sur OK. Le programme ouvrira automatiquement une page Web avec une parcelle d’entonnoir et les résultats d’un test pour un effet de petite étude et un test d’importance excessive. Cliquez ensuite sur le bouton De classement des preuves à partir de la boîte à outils supérieure.
Sélectionnez l’analyse principale dans la case liste et cliquez sur OK pour afficher les résultats. Comme observé dans ces cartes représentatives, les patients présentant le TOC ont un volume statistiquement significativement plus petit de matière grise dans le cortex frontal médial antérieur dorsale de cingulate dorsal. Le cluster est modérément petit et principalement situé à la zone 32 de Brodmann avec le pic du cluster à MNI deux, 32, 32 avec une valeur Z de 4,97 et un taux d’erreur familial corrigé P-valeur de 0,01.
Dans cette analyse des données, la statistique faible i-carré indique une très petite hétérogénéité et la parcelle de l’entonnoir ne montre pas d’asymétries. Les principaux aspects d’une méta-analyse réussie sont la création de critères clairs d’inclusion et d’exclusion, la collecte minutieuse des données et le fait de ne pas limiter les résultats aux valeurs P. SDM-PSI intègre le modèle linéaire général pour lequel les utilisateurs peuvent effectuer des méta-régressions ou des méta-compressions de groupes d’études et ou à le comparer à l’analyse.
De nombreuses méta-analyses SDM ont eu une influence considérable sur leurs domaines spécifiques. Par exemple, plusieurs méta-analyses ont révélé des effets intéressants de stimulants sur les anomalies cérébrales observées dans le TDAH.
Aperçu
Cet article détaille le processus de réalisation d'une méta-analyse d'études d'imagerie cérébrale basées sur les voxels en utilisant le Cartographie d (SDM) basée sur une graine avec la permutation des images de sujets (SDM-PSI). La méthode vise à concilier les résultats de diverses études qui peuvent sembler contradictoires, en particulier concernant les anomalies de la matière grise dans des affections telles que le TOC.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Neuroimagerie
- Méta-analyse
Contexte
- La cartographie d (SDM) basée sur une graine (SDM) permet de résoudre les divergences dans les études d'imagerie cérébrale.
- La SDM a été appliquée à diverses fonctions psychologiques et troubles neuropsychiatriques.
- Contrairement aux méthodes précédentes, la SDM-PSI évalue la présence d'effets plutôt que de se limiter aux pics statistiques.
- Des critères d'inclusion clairs et une collecte de données minutieuse sont essentiels pour une méta-analyse réussie.
Objectif de l'étude
- Démontrer les étapes impliquées dans la réalisation d'une méta-analyse en utilisant la SDM-PSI.
- Fournir des informations sur le prétraitement et l'analyse des données d'imagerie cérébrale.
- Mettre en évidence l'impact des études d'imagerie cérébrale sur la compréhension des troubles neuropsychiatriques.
Méthodes utilisées
- La plateforme principale utilisée est le logiciel SDM-PSI pour la méta-analyse des données d'imagerie cérébrale.
- L'étude se concentre sur les études d'imagerie cérébrale relatives au TOC, en utilisant diverses modalités d'imagerie telles que l'IRMf et la TEP.
- Les étapes méthodologiques essentielles impliquent la conception d'un plan de méta-analyse, la collecte de données et la conversion des valeurs statistiques à l'aide de l'interface SDM-PSI.
- Les étapes cruciales telles que le prétraitement des données et l'exécution de l'analyse principale sont mises en évidence.
Principaux résultats
- Les patients atteints de TOC présentaient une réduction significative du volume de matière grise dans des zones cérébrales spécifiques.
- Les analyses statistiques ont révélé des résultats importants concernant l'hétérogénéité et les biais potentiels dans les études existantes.
- Les résultats ont illustré l'application pratique de la SDM-PSI pour révéler les effets de l'imagerie cérébrale et les distributions spatiales.
- Principaux éléments d'information sur la manière dont les méthodes SDM-PSI peuvent être utilisées pour les méta-analyses d'imagerie cérébrale futures.
Conclusions
- Cette étude démontre l'utilité de la SDM-PSI pour réaliser des méta-analyses complètes des études d'imagerie cérébrale.
- Les résultats soulignent l'importance d'adopter des approches méthodologiques rigoureuses pour révéler les incohérences entre les études.
- Les implications des résultats améliorent la compréhension des variations neuroanatomiques dans les troubles psychiatriques.
Foire aux questions
Executive Industry Relevance
In neuropharmacology and CNS drug development, reconciling contradictory neuroimaging findings is critical for target validation and mechanistic de-risking. SDM-PSI advances beyond binary significance testing by quantifying effect strength and assessing bias, enabling more confident go/no-go decisions in early discovery. This supports portfolio triage by providing continuous evidence grading rather than binary outcomes.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by assessing whether observed neuroimaging effects are non-null rather than merely counting significant peaks.
- Operational Value: Enables pathway clarification through effect size estimation and bias detection, reducing false target assumptions.
- Predictive Value: Supports predictive confidence by grading evidence strength across significance levels and data quantity, informing target prioritization.
Screening & Assay Development
- Assay Readiness: Prepares validated neuroimaging biomarkers for downstream screening by establishing reproducible effect maps with quantified uncertainty.
- Quantitative Outputs: Generates continuous effect size estimates (d-values) and heterogeneity metrics (I-squared) that enable reliable compound screening decisions.
- Platform Reuse: Standardized workflow supports cross-modality application (fMRI, VBM, DTI, PET) for consistent biomarker validation across discovery campaigns.
Translational & Preclinical Research
- Translational Continuity: Bridges discovery and preclinical validation by providing disease-relevant effect maps with bias assessment, supporting mechanistic de-risking.
- Risk-Adjusted Advancement: Evidence grading criteria (incorporating significance levels, data amount, small-study effect, excess significance) inform preclinical go/no-go decisions.
- Biomarker Alignment: Enables alignment of imaging biomarkers with phenotypic outcomes through spatially specific, bias-corrected effect maps.
Pipeline & Workflow Integration
SDM-PSI integrates into the discovery continuum from target validation through lead identification to preclinical work by providing quantitative, bias-aware neuroimaging evidence that supports hypothesis testing and mechanistic de-risking.
- Discovery Biology: Supports hypothesis testing by assessing non-null effects and estimating effect sizes, moving beyond peak counting to biological effect quantification.
- Screening: Delivers assay-ready, reproducible effect maps with quantitative outputs (T-values, d-values, P-values) enabling reliable compound evaluation across modalities.
- Analytics: Provides statistical outputs including heterogeneity (I-squared), bias tests (funnel plot, excess significance), and graded evidence levels for cross-functional interpretation.
- Translational Research: Connects to preclinical continuity through disease-relevant effect maps (e.g., OCD gray matter volume) with quantified uncertainty and bias assessment.
- Enterprise Reuse: Establishes a reusable neuroimaging meta-analysis platform applicable across psychiatric indications and imaging modalities, reducing redundant method development.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence through effect size estimation, target validation via non-null effect assessment, reduction of mechanistic ambiguity by quantifying biological effects.
- Operational Value: Standardization via predefined preprocessing and analysis pipelines, reproducibility through permutation-based inference, scalability across studies and modalities.
- Strategic Value: Better go/no-go decisions via evidence grading, capital efficiency by reducing false target pursuit, reduced late-stage biological risk through early bias detection.
- Portfolio Impact: Risk-adjusted prioritization using graded evidence (significance levels, data amount, bias detection), advancement decisions informed by continuous effect metrics.
Implementation Considerations
- Expertise in neuroimaging meta-analysis, statistical interpretation of permutation tests, and understanding of bias assessment methods (funnel plots, excess significance tests).
- SDM-PSI software infrastructure, capacity for permutation testing (hours/days per analysis), and visualization tools (MRIcron) for result interpretation.
- Cross-team standardization of inclusion/exclusion criteria, data extraction protocols (converting Z/P to T-values), and stereotactic space reporting (MNI/Talairach).
- Adaptation considerations across neuroimaging modalities (fMRI, VBM, DTI, PET, SBM) requiring modality-specific preprocessing in SDM-PSI.
- Practical limitations include dependence on primary study quality, potential bias from unpublished null results, and computational demands of permutation testing for large datasets.
Biopharma FAQs
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
