Metaanaliza badań neuroobrazowania opartych na wokselach przy użyciu mapowania d opartego na nasionach z permutacją obrazów obiektowych (SDM-PSI)

Summary

Szczegółowo opisujemy, jak przeprowadzić metaanalizę badań neuroobrazowania opartych na wokselach za pomocą Mapowania d opartego na nasionach z permutacją obrazów obiektowych (SDM-PSI).

Abstract

Większość metod przeprowadzania metaanalizy badań neuroobrazowania opartych na wokselach nie ocenia, czy efekty nie są zerowe, ale czy istnieje zbieżność szczytów o znaczeniu statystycznym, i redukują ocenę dowodów do binarnej klasyfikacji opartej wyłącznie na wartościach p (np. woksele mogą być tylko "statystycznie istotne" lub "niestatystycznie istotne"). W tym miejscu szczegółowo opisujemy, jak przeprowadzić metaanalizę przy użyciu mapowania d opartego na nasionach z permutacją obrazów obiektowych (SDM-PSI), nowatorskiej metody, która wykorzystuje standardowy test permutacji do oceny, czy efekty nie są zerowe. Pokazujemy również, jak oceniać siłę dowodów zgodnie z zestawem kryteriów, które uwzględniają szereg poziomów istotności statystycznej (od bardziej liberalnych do bardziej konserwatywnych), ilość danych lub wykrywanie potencjalnych błędów systematycznych (np. efekt małego badania i nadmierna istotność). Aby zilustrować tę procedurę, szczegółowo opisujemy przeprowadzenie metaanalizy badań morfometrycznych opartych na wokselach w zaburzeniach obsesyjno-kompulsywnych i podajemy wszystkie dane już wyodrębnione z rękopisów, aby umożliwić czytelnikowi łatwe odtworzenie metaanalizy. SDM-PSI może być również stosowany do metaanaliz funkcjonalnego rezonansu magnetycznego, obrazowania tensora dyfuzji, pozycyjnej tomografii emisyjnej i badań morfometrii powierzchniowej.

Introduction

Od czasu wprowadzenia rezonansu magnetycznego, społeczność neuroobrazowania opublikowała tysiące badań nad neuronalnymi substratami funkcji psychologicznych i zaburzeń neuropsychiatrycznych. Aby podsumować te wyniki, opracowano kilka metod^1,2,3,4,5,6. Oryginalne badania neuroobrazowe oparte na wokselach podają współrzędne pików o istotności statystycznej (np. w porównaniu objętości istoty szarej między pacjentami a grupą kontrolną), a metody metaanalityczne zwykle oceniają, czy istnieje zbieżność pików w określonych obszarach mózgu.

Jednak wcześniej pokazaliśmy, że te testy na zbieżność szczytów opierają się na delikatnych założeniach, które mogą wpływać na wzorce wyników metaanalizy i ich istotność statystyczną⁷. W szczególności testy te zakładają, że woksele są niezależne i że mają takie samo prawdopodobieństwo "fałszywego" piku, podczas gdy w prawdziwej istocie szarej woksele korelują ze swoimi sąsiadami, a prawdopodobieństwo, że woksel ma "fałszywy" pik, zależy od jego składu tkankowego. Ponadto obejmują one również paradoksy, takie jak to, że moc statystyczna wzrasta w obecności kilku prawdziwych efektów i maleje, gdy istnieje wiele prawdziwych efektów.

Aby przezwyciężyć te problemy, opracowaliśmy metodę, która przypisuje mapy mózgu efektów statystycznych dla każdego badania, a następnie przeprowadza standardową metaanalizę efektów losowych, aby formalnie sprawdzić, czy efekty różnią się od zera. Metoda ta nazywa się "Seed-based d Mapping with Permutation of Subject Images" (SDM-PSI)⁸, a jej główne cechy to:

• Uwzględnianie zarówno wzrostów, jak i spadków interesującego nas wyniku (np. aktywacja i dezaktywacja), tak aby sprzeczne wyniki znosiły się nawzajem⁴;
• Wykorzystanie oszacowań wielkości efektu z modelowaniem efektów losowych, co zwiększa niezawodność i wydajność⁹;
• Potencjalne jednoczesne włączenie dostępnych obrazów statystycznych 3D (tj. map wartości testu t)¹⁰;
• Tematyczne testy permutacji identyczne z tymi z FSL "randomize" tool¹¹;
• Korzystanie z statystyk TFCE (threshold-free cluster enhancement) ¹².

Szczegółowo opisaliśmy i w pełni zweryfikowaliśmy metody SDM w innym miejscu^4,8,10,13,14.

Ponadto, sugerujemy, aby nie polegać na binarnej klasyfikacji wokseli opartej na poziomie istotności statystycznej (istotna vs. nieistotna), ale odwrotnie, oceniając siłę dowodów za pomocą zestawu kryteriów²². Binarny redukcjonizm istotności statystycznej prowadzi do słabej kontroli wskaźników wyników fałszywie dodatnich i fałszywie ujemnych¹⁵, podczas gdy kryteria wykorzystują zakresy poziomów istotności statystycznej i uwzględniają ilość danych lub potencjalne błędy systematyczne. Oprogramowanie SDM-PSI zwraca elementy niezbędne do przeprowadzenia takiej klasyfikacji⁸, a zatem można je wykorzystać, aby zapewnić bardziej szczegółową klasyfikację siły dowodów.

Tutaj pokazujemy, jak przeprowadzić metaanalizę badań neuroobrazowania opartych na wokselach przy użyciu SDM-PSI. Aby zilustrować protokół, wykorzystujemy dane z opublikowanej metaanalizy badań morfometrycznych opartych na wokselach, w których badano nieprawidłowości istoty szarej u pacjentów z zaburzeniami obsesyjno-kompulsywnymi (OCD)⁴. Nie będziemy jednak korzystać z metod zastosowanych w tej wczesnej metaanalizie, ale ze wspomnianych wcześniej najnowocześniejszych procedur. Czytelnik może pobrać oprogramowanie i te dane z naszej strony internetowej (http://www.sdmproject.com/) w celu odtworzenia analizy.

Wszyscy badacze, którzy chcą przeprowadzić metaanalizę badań neuroobrazowania opartych na wokselach, mogą postępować zgodnie z tym protokołem. Metoda może być stosowana z funkcjonalnym obrazowaniem rezonansu magnetycznego (fMRI, np. BOLD reakcja na bodziec)¹⁶, morfometrią opartą na wokselach (VBM, np. objętość istoty szarej)¹⁷, obrazowaniem tensora dyfuzji (DTI, np. anizotropia frakcyjna)¹⁸, pozycyjną tomografią emisyjną (PET, np. zajętość receptora)¹⁹ oraz badania/zestawy danych morfometrii powierzchniowej (SBM, np. grubość kory).

Protocol

1. Instalacja SDM-PSI

1. Przejdź do https://www.sdmproject.com/software/, aby pobrać wersję SDM-PSI dla systemu operacyjnego komputera jako plik ZIP.
2. Rozpakuj plik ZIP. Aby uniknąć problemów, rozpakuj go w folderze lokalnym bez pustych miejsc w ścieżce.
3. Kliknij plik SdmPsiGui, aby uruchomić interfejs graficzny SDM-PSI, a następnie zamknij okno powitalne Informacje, które otworzy się automatycznie.
4. Jeśli SdmPsiGui nie znajdzie wszystkich wymaganych ścieżek, automatycznie zaproponuje wyświetlenie okna preferencji. Naciśnij przycisk Tak.
   1. Jeśli MRICron nie jest zainstalowany na komputerze, przejdź do https://www.nitrc.org/frs/?group_id=152, aby pobrać wersję systemu operacyjnego komputera jako plik ZIP i rozpakować plik ZIP.
   2. Na karcie Przeglądarka Brain w oknie preferencji upewnij się, że przeglądarka Brain jest ustawiona na MRICron, a następnie kliknij ikonę folderu obok opcji Plik wykonywalny przeglądarki Brain, aby znaleźć plik wykonywalny MRICron.
   3. Upewnij się, że wszystkie pozostałe ścieżki na różnych kartach mają niebieskie znaczniki, które wskazują, że ścieżki są poprawne.
5. W przypadku, gdy SdmPsiGui nie wyświetlił automatycznie okna preferencji, przejdź do menu Narzędzia i kliknij Preferencje.
6. Na karcie Wielowątkowość określ liczbę współbieżnych wątków, które mają być używane w obliczeniach. Niektóre obliczenia SDM-PSI zajmują bardzo dużo czasu (od godzin do dni) i zużywają dużą ilość pamięci RAM (od setek megabajtów do gigabajtów). Użycie wielu wątków (przetwarzanie równoległe) znacznie skraca czas, ale zwiększa wykorzystywaną pamięć.
7. Zamknij okno preferencji i SdmPsiGui.

2. Plan metaanalizy

1. Określ precyzyjne pytanie. Na przykład "czy pacjenci z OCD mają nieprawidłowości regionalne objętości istoty szarej?"
2. Napisz jasne kryteria włączenia, które pozwolą na systematyczne włączanie badań. Na przykład "wszystkie badania, w których przeprowadzono porównanie objętości istoty szarej na podstawie wokseli całego mózgu między osobami z OCD a zdrowymi osobami z grupy kontrolnej".
3. Napisz jasne kryteria wykluczenia, które pozwolą na systematyczne wykluczanie tych badań, które nie mogą lub nie powinny być uwzględnione z określonych powodów. Na przykład "badania z udziałem mniej niż 10 pacjentów, zduplikowane zbiory danych lub badania, z których nie można uzyskać wymaganych informacji".
4. Zapisz dane, które chcesz wyodrębnić z każdego badania. Poniższa lista zawiera zalecane dane (niektóre z nich nie są bezwzględnie wymagane, ale ich brak zubażałby metaanalizę):
   • Identyfikacja badania.
   • Wielkość próby.
   • Poziom istotności statystycznej, który jest wartością t, wartością z lub wartością p stosowaną w badaniu w celu określenia, które woksele były statystycznie istotne.
   • Oprogramowanie i przestrzeń stereotaktyczna. Patrz Tabela 1 zawiera listę pakietów oprogramowania i przestrzeni stereotaktycznych rozumianych przez SDM-PSI.
   • Współrzędne i wysokość szczytów. Wysokość piku to jego wartość t lub z, ale przydatna jest również wartość p.
   • Zmienne, które zostaną wykorzystane do opisania prób lub do przeprowadzenia analiz podgrup lub metaregresji.
5. Aby podnieść jakość recenzji, rozważ zastosowanie się do "Dziesięciu prostych zasad metaanalizy neuroobrazowania"²⁰ oraz listy kontrolnej PRISMA²¹.
6. Aby zwiększyć przejrzystość przeglądu, rozważ wcześniejsze zarejestrowanie protokołu w publicznie dostępnej bazie danych, takiej jak PROSPERO (https://www.crd.york.ac.uk/PROSPERO/).

3. Wyczerpujące wyszukiwanie

1. Wybierz zestaw słów kluczowych, które umożliwiają znalezienie dowolnego badania, które może spełniać kryteria włączenia. Na przykład słowami kluczowymi mogą być "zaburzenie obsesyjno-kompulsywne" oraz "morfometria", "oparte na wokselach" lub "wokselowe".
2. Przeszukaj bazy danych, takie jak PubMed i Web of Science:
   1. Wejdź na stronę bazy danych, np. https://www.ncbi.nlm.nih.gov/pubmed/ dla PubMed.
   2. Wpisz wyszukiwane hasło. W przykładowej metaanalizie zapytanie może brzmieć "zaburzenie obsesyjno-kompulsywne" AND ("morfometria" OR "oparta na wokselach" OR "wokselowa"). W tym zapytaniu operator "AND" oznacza, że badania muszą zawierać wszystkie słowa kluczowe, operator "OR" oznacza, że badania muszą mieć co najmniej jedno ze słów kluczowych, a nawiasy wskazują kolejność tych operacji logicznych. W związku z tym pobrane badania muszą mieć słowo kluczowe "zaburzenie obsesyjno-kompulsywne" i co najmniej jedno ze słów kluczowych "morfometria", "wokselowe" lub "wokselowe". Pamiętaj, że możliwe są inne strategie.
3. Zastosuj kryteria włączenia/wykluczenia. Na przykład z wyników dostarczonych przez bazy danych wybierz tylko artykuły, które analizują różnice w objętości istoty szarej między pacjentami z zaburzeniami obsesyjno-kompulsywnymi a grupą kontrolną wykonującą badania morfometryczne oparte na wokselach całego mózgu oraz badania odrzucające obejmujące mniej niż 10 pacjentów i badania, w których ponownie przeanalizowano wcześniej opublikowane dane.
4. Aby zwiększyć kompletność wyszukiwania, rozważ przeprowadzenie ręcznego wyszukiwania przywoływanych prac w wybranych badaniach.
5. Aby zmaksymalizować włączenie badań i uniknąć niepewności w gromadzeniu danych, rozważ skontaktowanie się z autorami korespondencyjnymi w celu uzyskania brakujących lub niejasnych danych.
6. Należy odnotować liczbę pobranych badań i liczbę badań wykluczonych z każdej przyczyny. Rozważ utworzenie diagramu przepływu PRISMA²¹ z tymi liczbami.

4. Gromadzenie danych

1. Dla każdego dołączonego badania przeczytaj rękopis, aby znaleźć konkretne dane do wyodrębnienia.
2. Zapisuj dane z badań systematycznie, np. wpisując dane we wstępnie sformatowanych plikach arkuszy kalkulacyjnych. Aby zminimalizować błędy pisowni, rozważ skopiowanie i wklejenie interesujących Cię liczb oraz dwukrotne sprawdzenie zapisanych danych.
3. Jeśli poziom istotności statystycznej jest niejasny, rozważ zastosowanie się do następujących zaleceń:
   1. Jeśli w manuskrypcie podane są wartości szczytowe uzyskane przy użyciu dwóch poziomów istotności statystycznej całego mózgu, np. wartość p < 0,001 bez korekty dla wielokrotnych porównań (od teraz "próg nieskorygowany") i współczynnik błędu rodzinnego (FWER) < 0,05 (od teraz "próg skorygowany"), należy wybrać nieskorygowany próg i uwzględnić wszystkie piki uzyskane przy użyciu tego nieskorygowanego progu. Powodem, dla którego należy preferować nieskorygowany próg, jest to, że badania zwykle uzyskują więcej pików przy zastosowaniu nieskorygowanego progu, a SDM szacuje mapy dokładniej, jeśli ma informacje z większej liczby pików.
   2. Jeżeli w manuskrypcie podano piki uzyskane przy użyciu nieskorygowanego progu dla wzrostów i skorygowanego progu dla spadków (lub odwrotnie), należy wybrać nieskorygowany próg, ale uwzględnić tylko piki uzyskane przy użyciu skorygowanego progu. Jest to konserwatywne przybliżenie, ponieważ może odrzucić niektóre piki uzyskane przy użyciu nieskorygowanego progu. Przykładem takiej sytuacji może być sytuacja, w której manuskrypt stwierdza coś w rodzaju "wykryliśmy większe objętości istoty szarej skorygowane przez FFER w niektórych regionach, podczas gdy nie wykryliśmy mniejszej objętości istoty szarej w żadnym regionie, nawet przy użyciu nieskorygowanej wartości p < 0,001".
   3. Jeśli autorzy zastosowali statystyki oparte na klastrach, należy użyć progu wysokości tworzenia klastrów. Jest to konserwatywne przybliżenie, ponieważ niektóre woksele mogły mieć wartości t wyższe niż próg, ale autorzy odrzucili je, ponieważ ich klastry nie były wystarczająco duże.
   4. Jeśli w manuskrypcie nie określono progu, należy użyć wartości nieco mniejszej niż wartość t najmniejszego piku. Powodem, dla którego warto użyć tej wartości t, jest to, że gdyby autorzy zastosowali ten próg istotności statystycznej bez wymagania minimalnego rozmiaru dla klastrów, znaleźliby te same piki.
4. Podczas rejestrowania informacji o szczycie wykonaj następujące czynności:
   1. Wyklucz piki uzyskane przy użyciu progu istotności statystycznej, który jest bardziej liberalny niż próg wybrany dla reszty mózgu. Przykładem takiej sytuacji jest sytuacja, w której autorzy zastosowali bardziej liberalne progi lub małe korekty głośności do niektórych apriorycznych obszarów mózgu.
   2. Przekształć wartości Z i P na wartości t. Kliknij przycisk Konwertuj piki w oprogramowaniu SDM-PSI, aby łatwo je przekonwertować. Alternatywnie przekonwertuj je w tym samym pliku arkusza kalkulacyjnego (np. "=Rozkł.T.Odwr(1-0,001,34)" dla wartości p = 0,001 i 34 stopni swobody; stopnie swobody to suma wielkości próby pomniejszona o liczbę parametrów, które w porównaniu dla dwóch prób wynoszą dwa plus liczba współzmiennych użytych w pierwotnym porównaniu).
   3. Dodatnie wartości t należy stosować dla szczytów wzrostu (np. aktywacja) i ujemne wartości t dla szczytów spadku (np. dezaktywacja). W tabeli 2 znajdują się wskazówki dotyczące określania znaku wartości t.
      UWAGA: Informacje uzyskaliśmy z badań "Heuvel" i "Soriano-Mas" po osobistej komunikacji.

5. Wprowadzenie danych do SDM-PSI

1. Otwórz SdmPsiGui i zamknij okno powitalne Informacje (unikaj naciskania jakiegokolwiek podczas jego zamykania).
2. Kliknij przycisk Zmień metaanalizę w lewej górnej części interfejsu graficznego, aby wybrać katalog do metaanalizy (wystarczy dowolny nowy pusty katalog
).
3. Kliknij przycisk Edytor tabel SDM, aby wprowadzić ogólne informacje z badań, w tym ich identyfikację (kolumna "badanie"), wielkość próby (kolumny "n1" i "n2"), wartość t, której użyto jako progi statystyczne (kolumna "t_thr") oraz inne potencjalne zmienne do przeprowadzenia analiz podgrup lub metaregresji.
4. W ramach wybranego katalogu utwórz plik tekstowy dla każdego badania ze współrzędnymi i wartością t każdego piku:
   1. Otwórz edytor tekstu, aby utworzyć plik tekstowy o nazwie [identyfikacja badania] + "." + [oprogramowanie] + "_" + [przestrzeń stereotaktyczna] + ".txt". Na przykład w przypadku badania "Carmona", które zostało przeprowadzone za pomocą SPM i podaje współrzędne w przestrzeni MNI, nazwa pliku tekstowego musi brzmieć "Carmona.spm_mni.txt". Jeśli badanie nie ma pików, oprogramowanie i przestrzeń stereotaktyczną można zastąpić "no_peaks".
   2. Wpisz współrzędne i wartość t każdego piku w osobnym wierszu. Na przykład pierwsze wiersze pliku tekstowego "Carmona.spm_mni.txt" powinny wyglądać następująco:
      40,39,21,-5.14
      53,27,21,-3.77
      56,23,20,-3.63

6. Przetwarzanie wstępne

1. Kliknij przycisk Przetwarzanie wstępne na pasku menu po lewej stronie, wybierz modalność badań w polu listy oznaczonym "Modalność" i naciśnij OK. W przykładowej metaanalizie modalność to "VBM – istota szara".
2. Poczekaj (kilka minut), aż SDM-PSI obliczy mapy dolnej i górnej granicy potencjalnych wielkości efektów. SdmPsiGui pokaże cztery paski postępu, które wyświetlają status wykonania i oczekiwany pozostały czas dla bieżącego procesu. Podczas obliczeń kolor okręgu obok "Stan przetwarzania" będzie żółty i zmieni się na zielony, jeśli wykonanie zakończy się pomyślnie, lub na czerwony, jeśli się nie powiedzie.

7. Główna analiza

1. Kliknij przycisk Średnia na lewym pasku menu i naciśnij OK.
2. Poczekaj (kilka minut), aż SDM-PSI przeprowadzi wielokrotną imputację i metaanalizę (Rysunek 1).
3. Kliknij przycisk Próg w przyborniku menu po lewej stronie, wybierz nieskorygowane wartości p analizy głównej (domyślnie "MyTest_uncorrp") i naciśnij OK. SDM-PSI automatycznie otworzy zarówno MRICron w celu wizualizacji wyników, jak i stronę internetową ze szczegółowym raportem na ich temat.
4. Naciśnij przycisk Korekcja FWE w przyborniku menu po lewej stronie, wybierz główną analizę w polu listy (domyślnie "MyTest") i naciśnij OK.
5. Poczekaj (kilka godzin, a nawet dni), aż SDM-PSI przeprowadzi test permutacji.
6. Kliknij przycisk Próg w przyborniku menu po lewej stronie, wybierz korektę TFCE analizy głównej (domyślnie "MyTest_corrp_tfce") i naciśnij przycisk OK. SDM-PSI automatycznie otworzy zarówno MRICron w celu wizualizacji wyników, jak i stronę internetową ze szczegółowym raportem na ich temat.

8. Heterogeniczność, stronniczość publikacji i ocenianie

1. Kliknij przycisk Wyodrębnij w przyborniku menu po lewej stronie, wybierz pik z analizy głównej ("domyślnie MyTest_z_p_0.05000_10_neg_peak1") i naciśnij OK. SDM-PSI automatycznie otworzy stronę internetową ze statystykami tego szczytu. Zapisz statystykę niejednorodności I².
2. Kliknij przycisk Test odchylenia w przyborniku menu po lewej stronie, wybierz pik z analizy głównej ("domyślnie MyTest_z_p_0.05000_10_neg_peak1") i naciśnij OK. SDM-PSI automatycznie otworzy stronę internetową z wykresem lejkowym i wynikami testu na efekt małego badania i testu na nadmierną istotność. Pierwsza z nich sprawdza, czy na wykresie lejkowym występuje asymetria (tj. większa wielkość efektu w małych badaniach), co może wskazywać, że małe badania są publikowane tylko wtedy, gdy znajdują duże rozmiary efektu lub inne źródła stronniczości. W tym ostatnim badaniu sprawdza się, czy liczba badań z wynikami istotnymi statystycznie jest większa niż oczekiwano, co może wskazywać, że badania są publikowane tylko wtedy, gdy zawierają statystycznie istotne wyniki lub inne źródła błędu systematycznego.
3. Naciśnij przycisk Klasyfikacja dowodów w górnym przyborniku, wybierz główną analizę ("MyTest" domyślnie) z listy i naciśnij OK. Po kilku sekundach SDM-PSI automatycznie otworzy MRICron, aby pokazać klasy dowodów.

Results

Jak pokazano na mapie otwartej w MRICron podczas progowania głównej analizy (Rysunek 2, krok 7.6), pacjenci z OCD mieli statystycznie istotnie mniejszą objętość istoty szarej w grzbietowej przedniej części zakrętu obręczy/przyśrodkowej korze czołowej. Dołączona strona internetowa szczegółowo opisuje, że gromada jest umiarkowanie mała (143 woksele) i znajduje się głównie w obszarze Brodmanna 32, a szczyt gromady przypada na MNI [2, 32, 32], ma wartość z -4,97 i skorygowaną przez FWER wartość p równą 0,01.

Na stronach internetowych uzyskanych w krokach 8.1 i 8.2, niska statystyka I² (1,5%) wskazuje na bardzo małą niejednorodność, wykres lejka nie wykazuje asymetrii (Rysunek 3), a zarówno test na efekt małego badania, jak i test na nadmierną istotność są negatywne. Jednak dowody na mniejszą objętość istoty szarej w grzbietowej przedniej części kory zakrętu obręczy są umiarkowanie słabe, jak pokazano na mapie otwartej w MRICron podczas oceny dowodów, zwłaszcza ze względu na ograniczoną ilość danych.

Gdy główna analiza została oceniona przy użyciu mniej rygorystycznego poziomu istotności statystycznej (krok 7.3), pacjenci wykazywali również statystycznie istotnie większą objętość istoty szarej w prążkowiu i górnym zakręcie ciemieniowym (nieskorygowane wartości p = odpowiednio 0,00006 i 0,0002), ale dowody tych nieprawidłowości powinny być uważane za słabsze.

Rysunek 1: Główne okno graficznego interfejsu użytkownika SDP-PSI podczas wykonywania średniej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rycina 2: Obszary o statystycznie istotnie mniejszej objętości istoty szarej u pacjentów z zaburzeniami obsesyjno-kompulsywnymi w porównaniu z dopasowaną zdrową grupą kontrolną.
Klaster istotności statystycznej obejmuje 143 woksele, osiąga szczyt w MNI [2,32,32] i obejmuje głównie grzbietową przednią korę obręczy/przyśrodkową korę czołową, obszar Brodmanna 32. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rycina 3: Wykres lejkowy dla szczytu skupiska statystycznie istotnie mniejszej objętości istoty szarej w grzbietowej przedniej części kory zakrętu obręczy. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Pakiety oprogramowania	Kodowanie w SDM
Statystyczne mapowanie parametryczne (SPM)	Protokół SMP
Biblioteka oprogramowania FMRIB (FSL)	Certyfikat FSL
Inne pakiety	inny
Przestrzeń stereotaktyczna	Kodowanie w SDM
Instytut Neurologiczny w Montrealu (MNI)	MNI
Surowy talairach	Tal
MNI przekonwertowany na Talairach za pomocą transformaty Bretta	Brett

Tabela 1: Lista pakietów oprogramowania i przestrzeni stereotaktycznych rozumianych przez SDM-PSI.

	Wartości t muszą być dodatnie, gdy:	Wartości t muszą być ujemne, gdy:
Badania fMRI dla jednej próby	Zadanie > plan bazowy (aktywacja)	Zadanie < plan bazowy (dezaktywacja)
Badania fMRI dla dwóch prób	Pacjenci > grupie kontrolnej w zadaniu > punkcie wyjściowym (hiperaktywacja)	Pacjenci < grupie kontrolnej w zadaniu > punkcie wyjściowym (hipoaktywacja)
	Pacjenci < kontrolach w zadaniu < punkcie wyjściowym (niepowodzenie dezaktywacji)	Pacjenci > grupie kontrolnej w punkcie wyjściowym < zadania (hiperdezaktywacja)
Badania VBM / FA dla dwóch prób	pacjenci > grupie kontrolnej (większa objętość / FA)	pacjenci < grupie kontrolnej (mniejsza objętość / FA)

Tabela 2: Znak wartości t szczytów.

Discussion

Jak wspomniano wcześniej, większość metod metaanalitycznych opartych na wokselach wykorzystuje test zbieżności pików, który ma pewne ograniczenia, a następnie przeprowadza binarną klasyfikację dowodów wyłącznie na podstawie wartości p.

W tym protokole szczegółowo opisaliśmy, jak przeprowadzić metaanalizę opartą na wokselach przy użyciu SDM-PSI, która ma szereg pozytywnych cech, w tym standardowy test permutacji w celu oceny istotności statystycznej efektów. Ponadto pokazujemy, w jaki sposób można ocenić siłę dowodów przy użyciu zestawu kryteriów, które wykraczają poza klasyfikację binarną, która opiera się wyłącznie na jednym poziomie istotności statystycznej.

Aby ułatwić odtworzenie przykładowej metaanalizy, udostępniamy dane już wyodrębnione z rękopisów z poprzedniej metaanalizy. Co ciekawe, w rękopisie tej metaanalizy dowody "wydawały się" silniejsze niż dowody, które znaleźliśmy za pomocą zaktualizowanych metod. W związku z tym sugerujemy, aby niesystematyczne oceny danych naukowych z poprzednich metaanaliz opartych na wokselach były podejmowane z ostrożnością.

Mamy nadzieję, że zgodnie z tym protokołem, metaanalizy neuroobrazowania dostarczą bogatszego i bardziej szczegółowego opisu dowodów na wyniki neuroobrazowania.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Komputer			z 32- lub 64-bitowym systemem Windows, 64-bitowym systemem Mac OSX lub 64-bitowym systemem Linux