Summary
Wir beschreiben, wie eine Metaanalyse von voxel-basierten Neuroimaging-Studien mit Seed-based d Mapping with Permutation of Subject Images (SDM-PSI) durchgeführt wird.
Abstract
Die meisten Methoden zur Durchführung von Metaanalysen von voxelbasierten Neuroimaging-Studien bewerten nicht, ob die Wirkungen nicht null sind, sondern ob es eine Konvergenz von Spitzen von statistischer Signifikanz gibt, und reduzieren die Bewertung der Evidenz auf eine binäre Klassifikation. ausschließlich auf der Grundlage von p-Werten (d. h. Voxel können nur "statistisch signifikant" oder "nicht statistisch signifikant" sein). Hier erfahren wir, wie eine Metaanalyse mit Seed-based d Mapping with Permutation of Subject Images (SDM-PSI) durchgeführt wird, einer neuartigen Methode, die einen Standard-Permutationstest verwendet, um zu beurteilen, ob Effekte nicht null sind. Wir zeigen auch, wie die Stärke der Evidenz nach einer Reihe von Kriterien bewertet werden kann, die eine Reihe statistischer Signifikanzniveaus (von liberaler bis konservativer), die Datenmenge oder die Erkennung potenzieller Verzerrungen (z. B. klein-Studien-Effekt) berücksichtigen. und Übermaß an Bedeutung). Um das Verfahren zu veranschaulichen, beschreiben wir die Leitung einer Metaanalyse von voxelbasierten Morphometriestudien bei Zwangsstörungen, und wir stellen alle Daten zur Verfügung, die bereits aus den Manuskripten extrahiert wurden, damit der Leser die Metaanalyse replizieren kann. Leicht. SDM-PSI kann auch für Metaanalysen der funktionellen Magnetresonanztomographie, Diffusionstensor-Bildgebung, Positionsemissionstomographie und oberflächenbasierte Morphometrie-Studien eingesetzt werden.
Introduction
Seit der Einführung der Magnetresonanztomographie hat die Neuroimaging-Gemeinschaft Tausende von Studien über die neuronalen Substrate psychologischer Funktionen und neuropsychiatrischer Störungen veröffentlicht. Um diese Ergebnisse zusammenzufassen, wurden mehrere Methoden entwickelt1,2,3,4,5,6. Ursprüngliche voxelbasierte Neuroimaging-Studien berichten über die Koordinaten der Spitzen der statistischen Signifikanz (z. B. in einem Vergleich des Grauen Materievolumens zwischen Patienten und Kontrollen), und metaanalytische Methoden bewerten häufig, ob es in bestimmten Hirnregionen eine Konvergenz der Spitzen gibt.
Wir haben jedoch bereits gezeigt, dass diese Tests zur Konvergenz von Spitzen auf empfindlichen Annahmen beruhen, die die Muster der Metaanalyseergebnisse und ihre statistische Signifikanz beeinflussen könnten7. Insbesondere gehen diese Tests davon aus, dass Voxel unabhängig sind und dass sie die gleiche Wahrscheinlichkeit eines "falschen" Peaks haben, während in echter grauer Materie Voxel mit ihren Nachbarn korrelieren und die Wahrscheinlichkeit, dass ein Voxel einen "falschen" Peak hat, von seiner Gewebezusammensetzung abhängt. Darüber hinaus umfassen sie auch Paradoxien, wie zum Beispiel, dass die statistische Macht in Gegenwart von wenigen wahren Effekten zunimmt und abnimmt, wenn es mehrere wahre Effekte gibt.
Um diese Probleme zu überwinden, haben wir eine Methode entwickelt, die die Gehirnkarten der statistischen Effekte für jede Studie anordnet und dann eine Standard-Random-Effects-Metaanalyse durchführt, um formal zu testen, ob die Effekte von Null abweichen. Diese Methode wird als "Seed-based d Mapping with Permutation of Subject Images" (SDM-PSI)8 bezeichnet und umfasst:
- Berücksichtigung von Erhöhungen und Abnahmen des Zinsergebnisses (z. B. Aktivierung und Deaktivierung), so dass sich widersprüchliche Befunde gegenseitig aufheben4;
- Verwendung von Effektgrößenschätzungen mit Random-Effekt-Modellierung, was die Zuverlässigkeit und Leistung erhöht9;
- Potentielle gleichzeitige Einbeziehung verfügbarer statistischer 3D-Bilder (d. h. Karten von t-Testwerten)10;
- Gegenstandsbasierte Permutationstests, die mit denen des FSL-Werkzeugs "randomisieren" identisch sind11;
- Verwendung von TFCE-Statistiken (Threshold-Free Cluster Enhancement)12.
Wir haben die SDM-Methoden an anderer Stelle detailliert und vollständig validiert4,8,10,13,14.
Darüber hinaus schlagen wir vor, sich nicht auf eine binäre Klassifizierung der Voxel zu verlassen, die auf dem Niveau der statistischen Signifikanz basiert (signifikant vs. nicht signifikant), sondern umgekehrt die Stärke der Evidenz anhand einer Reihe von Kriterien zu bewerten22. Der binäre statistische Signifikanzreduktionismus führt zu einer schlechten Kontrolle der falsch positiven und falsch negativen Raten15, während die Kriterien Bereiche statistischer Signifikanzniveaus verwenden und die Datenmenge oder potenzielle Verzerrungen berücksichtigen. Die SDM-PSI-Software gibt die notwendigen Elemente zurück, um eine solche Klassifizierung8 durchzuführen, und kann daher eingesetzt werden, um eine detailliertere Klassifizierung der Beweisstärke zu ermöglichen.
Hier zeigen wir, wie man eine Metaanalyse von voxelbasierten Neuroimaging-Studien mit SDM-PSI durchführt. Um das Protokoll zu veranschaulichen, verwenden wir Daten aus einer veröffentlichten Metaanalyse von voxelbasierten Morphometriestudien, die Graustoffanomalien bei Patienten mit Zwangsstörung (OCD) untersuchten4. Wir werden jedoch nicht die Methoden verwenden, die bei dieser frühen Metaanalyse verwendet werden, sondern die oben genannten Verfahren auf dem Stand der Technik. Der Leser kann die Software und diese Daten von unserer Website (http://www.sdmproject.com/) herunterladen, um die Analyse zu replizieren.
Alle Forscher, die eine Metaanalyse von voxelbasierten Neuroimaging-Studien durchführen wollen, können diesem Protokoll folgen. Das Verfahren kann mit funktioneller Magnetresonanztomographie (fMRI, z.B. BOLD-Reaktion auf einen Stimulus)16, voxelbasierte Morphometrie (VBM, z.B. Graustoffvolumen)17, Diffusionstensorbildgebung (DTI, z.B. fraktionierte Anisotropie)18, Positionsemissionstomographie (PET, z.B. Rezeptorbelegung)19 und oberflächenbasierte Morphometrie (SBM, z.B. kortikale Dicke) Studien/Datensätze.
Protocol
1. Installation von SDM-PSI
- Gehen Sie zu https://www.sdmproject.com/software/, um die Version von SDM-PSI für das Betriebssystem des Computers als ZIP-Datei herunterzuladen.
- Dekomprimieren Sie die ZIP-Datei. Um Probleme zu vermeiden, dekomprimieren Sie sie in einem lokalen Ordner ohne Leerzeichen im Pfad.
- Klicken Sie auf die Datei SdmPsiGui, um die grafische Oberfläche von SDM-PSI auszuführen, und schließen Sie das Info-Splash-Fenster, das automatisch geöffnet wird.
- Wenn SdmPsiGui nicht alle erforderlichen Pfade findet, bietet es automatisch an, das Einstellungsfenster anzuzeigen. Drücken Sie Ja.
- Wenn MRICron nicht auf dem Computer installiert ist, gehen Sie zu https://www.nitrc.org/frs/?group_id=152, um die Version für das Betriebssystem des Computers als ZIP-Datei herunterzuladen, und dekomprimieren Sie die ZIP-Datei.
- Stellen Sie auf der Registerkarte Brain Viewer des Einstellungsfensters sicher, dass Brain Viewer auf MRICroneingestellt ist, und klicken Sie auf das Ordnersymbol neben der ausführbaren Brain Viewer-Datei, um die ausführbare MRICron-Datei zu finden.
- Stellen Sie sicher, dass alle verbleibenden Pfade in den verschiedenen Registerkarten blaue Markierungen aufweisen, die darauf hinweisen, dass die Pfade korrekt sind.
- Falls SdmPsiGui das Einstellungsfenster nicht automatisch angezeigt hat, gehen Sie zum Menü Extras und klicken Sie auf Einstellungen.
- Geben Sie auf der Registerkarte Multithreading die Anzahl der gleichzeitigen Threads an, die in den Berechnungen verwendet werden sollen. Einige SDM-PSI-Berechnungen dauern sehr lange (von Stunden bis Zu st. H.) und verbrauchen eine große Menge an RAM-Speicher (von Hunderten von Megabyte bis Gigabyte). Die Verwendung mehrerer Threads (parallele Verarbeitung) verringert die Zeit erheblich, erhöht jedoch den verwendeten Arbeitsspeicher.
- Schließen Sie das Einstellungsfenster und SdmPsiGui.
2. Meta-Analyseplan
- Geben Sie eine genaue Frage an. Zum Beispiel: "Haben Patienten mit OCD regionale Anomalien mit grauem Stoffvolumen?"
- Schreiben Sie klare Inklusionskriterien, die eine systematische Einbeziehung der Studien ermöglichen. Zum Beispiel "alle Studien, die einen Ganzhirn-Voxel-basierten Vergleich des Grauen Stoffvolumens zwischen Personen mit OCD und gesunden Kontrollen durchführten".
- Schreiben Sie klare Ausschlusskriterien, die einen systematischen Ausschluss von Studien ermöglichen, die aus bestimmten Gründen nicht aufgenommen werden können oder sollten. Zum Beispiel "Studien mit weniger als 10 Patienten, duplizierte Datensätze oder Studien, aus denen die erforderlichen Informationen nicht abgerufen werden können".
- Notieren Sie sich die Daten, die aus jeder Studie extrahiert werden sollen. Die folgende Liste enthält die empfohlenen Daten (einige von ihnen sind nicht unbedingt erforderlich, aber ihre Abwesenheit würde die Metaanalyse verarmen lassen):
- Eine Identifizierung der Studie.
- Die Stichprobengrößen.
- Das statistische Signifikanzniveau, d.h. der t-Wert, der z-Wert oder der p-Wert, der in der Studie verwendet wird, um zu bestimmen, welche Voxel statistisch signifikant waren.
- Die Software und stereotaktische Raum. Siehe Tabelle 1 für die Liste der Softwarepakete und stereotaktischen Räume, die von SDM-PSI verstanden werden.
- Die Koordinaten und die Höhe der Gipfel. Die Höhe eines Peaks ist sein t-Wert oder z-Wert, aber ein p-Wert ist auch nützlich.
- Variablen, die verwendet werden, um die Stichproben zu beschreiben oder Untergruppenanalysen oder Metaregressionen durchzuführen.
- Um die Qualität der Bewertung zu erhöhen, sollten Sie die "Zehn einfachen Regeln für neuroimaging Meta-Analyse"20 und die PRISMA Checkliste21befolgen.
- Um die Transparenz der Überprüfung zu erhöhen, sollten Sie das Protokoll vorher in einer öffentlich zugänglichen Datenbank wie PROSPERO (https://www.crd.york.ac.uk/PROSPERO/ )registrieren.
3. Erschöpfende Suche
- Wählen Sie eine Reihe von Schlüsselwörtern aus, mit denen Sie eine Studie finden können, die die Aufnahmekriterien erfüllen könnte. Die Schlüsselwörter können z. B. "Zwangsstörung" plus "Morphometrie", "voxel-basiert" oder "voxelwise" sein.
- Führen Sie die Suche in Datenbanken wie PubMed und Web of Science durch:
- Rufen Sie die Datenbank-Website auf, z.B. https://www.ncbi.nlm.nih.gov/pubmed/ für PubMed.
- Geben Sie die Suchabfrage ein. In der Beispiel-Metaanalyse könnte die Abfrage "Zwangsstörung" UND ("Morphometrie" ODER "voxel-basiert" ODER "voxelwise") sein. In dieser Abfrage bedeutet der Operator "AND", dass die Studien alle Schlüsselwörter haben müssen, der Operator "OR" bedeutet, dass die Studien mindestens eines der Schlüsselwörter haben müssen, und die Klammern geben die Reihenfolge dieser logischen Operationen an. Daher müssen die abgerufenen Studien das Schlüsselwort "Zwangsstörung" und mindestens eines der Schlüsselwörter "Morphometrie", "voxel-basiert" oder "voxelwise" haben. Beachten Sie, dass andere Strategien möglich sind.
- Wenden Sie die Einschluss-/Ausschlusskriterien an. Wählen Sie beispielsweise aus den Ergebnissen der Datenbanken nur die Artikel aus, die Unterschiede im Volumen der grauen Materie zwischen Patienten mit Zwangsstörung analysieren und Kontrollen durch Eine Voxel-basierte Morphometrie-Studie im Ganzen Gehirn durchführen, und verwerfen Sie Studien mit weniger als 10 Patienten und Studien, die zuvor veröffentlichte Daten erneut analysiert haben.
- Um die Vollständigkeit der Recherche zu erhöhen, sollten Sie eine manuelle Suche über die referenzierten Werke in den ausgewählten Studien durchführen.
- Um die Einbeziehung von Studien zu maximieren und Unsicherheiten bei der Datensammlung zu vermeiden, sollten Sie sich an die entsprechenden Autoren wenden, um nach fehlenden oder unklaren Daten zu fragen.
- Erfassen Sie die Anzahl der abgerufenen Studien und die Anzahl der Studien, die aus jedem Grund ausgeschlossen wurden. Erwägen Sie, ein PRISMA-Flussdiagramm21 mit diesen Zahlen zu erstellen.
4. Erhebung der Daten
- Lesen Sie für jede enthaltene Studie das Manuskript, um die spezifischen Daten zu extrahieren.
- Speichern Sie die Daten aus den Studien systematisch, z.B. indem Sie die Daten in vorformatierte Tabellenkalkulationsdateien eingeben. Um Tippfehler zu minimieren, sollten Sie die Anzahl der interessierten Daten kopieren und einfügen und die gespeicherten Daten doppelt überprüfen.
- Wenn das statistische Signifikanzniveau unklar ist, sollten Sie die folgenden Empfehlungen befolgen:
- Meldet das Manuskript Spitzenwerte, die mit zwei statistischen Ganzhirn-Signifikanzstufen erreicht wurden, z.B. p-Wert < 0,001 ohne Korrektur für mehrfache Vergleiche (von nun an "unkorrigierter Schwellenwert") und familiäre Fehlerquote (FWER) < 0,05 (ab jetzt " korrigierter Schwellenwert"), wählen Sie den nicht korrigierten Schwellenwert aus, und schließen Sie alle Spitzen ein, die mit diesem nicht korrigierten Schwellenwert erreicht wurden. Der Grund für den Unkorrigierten Schwellenwert ist, dass Studien in der Regel mehr Spitzen erhalten, die einen nicht korrigierten Schwellenwert anwenden, und SDM schätzt die Karten genauer, wenn es Informationen von mehr Spitzen hat.
- Wenn das Manuskript Spitzenwerte meldet, die unter Verwendung eines unkorrigierten Schwellenwerts für Erhöhungen und eines korrigierten Schwellenwerts für Abnahmen (oder umgekehrt) erreicht wurden, wählen Sie den nicht korrigierten Schwellenwert aus, schließen jedoch nur die Spitzen ein, die mit dem korrigierten Schwellenwert erreicht wurden. Dies ist eine konservative Annäherung, da sie einige Spitzen, die mit dem nicht korrigierten Schwellenwert erhalten wurden, verwerfen könnte. Ein Beispiel für diese Situation könnte sein, wenn ein Manuskript etwas wie "wir haben FWER-korrigierte größere graue Materievolumen in einigen Regionen erkannt, während wir kleinere graue MaterieVolumen in keiner Region entdeckt haben, auch nicht mit unkorrigiertem p-Wert < 0.001".
- Wenn die Autoren Cluster-basierte Statistiken angewendet haben, verwenden Sie den Schwellenwert für die Clusterbildnishöhe. Dies ist eine konservative Annäherung, da einige Voxel möglicherweise t-Werte hatten, die höher als der Schwellenwert waren, aber die Autoren sie verworfen haben, weil ihre Cluster nicht groß genug waren.
- Wenn das Manuskript keinen Schwellenwert angibt, verwenden Sie einen etwas kleineren Wert als den t-Wert des kleinsten Peaks. Der Grund für die Verwendung dieses t-Werts ist, dass die Autoren, wenn sie diesen statistischen Signifikanzschwellenwert angewendet hätten, ohne eine Mindestgröße für die Cluster zu benötigen, die gleichen Spitzen gefunden hätten.
- Gehen Sie bei der Aufzeichnung der Spitzeninformationen wie folgt vor:
- Schließen Sie Spitzen wertet Spitzen aus, die unter Verwendung eines statistischen Signifikanzschwellenwerts erreicht wurden, der liberaler ist als der für den Rest des Gehirns ausgewählte Schwellenwert. Ein Beispiel für diese Situation ist, wenn die Autoren liberalere Schwellenwerte oder kleine Volumenkorrekturen auf einige a priori Hirnregionen anwendeten.
- Konvertieren Sie z-Werte und p-Werte in t-Werte. Klicken Sie auf die Schaltfläche Peaks in der SDM-PSI-Software konvertieren, um sie einfach zu konvertieren. Alternativ können Sie sie in dieselbe Tabellenkalkulationsdatei konvertieren (z.B. "=T.INV(1-0.001,34)" für p-Wert = 0,001 und 34 Freiheitsgrade; freiheitsgrade sind die Summen der Stichprobengrößen abzüglich der Anzahl der Parameter, die in einem Zwei-Beispiel-Vergleich zwei plus die Anzahl der im ursprünglichen Vergleich verwendeten Kovariaten sind).
- Verwenden Sie positive t-Werte für Erhöhungsspitzen (z. B. Aktivierung) und negative t-Werte für Absenkungsspitzen (z. B. Deaktivierung). In Tabelle 2 finden Sie Anleitungen zur Entscheidung über das Vorzeichen der t-Werte.
HINWEIS: Wir haben Informationen aus den Studien "Heuvel" und "Soriano-Mas" nach persönlicher Kommunikation erhalten.
5. Einführung von Daten in SDM-PSI
- Öffnen Sie SdmPsiGui und schließen Sie das Info-Splash-Fenster (vermeiden Sie, dass beim Schließen die Taste gedrückt wird).
- Klicken Sie auf die Schaltfläche Metaanalyse ändern im oberen linken Teil der grafischen Oberfläche, um ein Verzeichnis für die Metaanalyse auszuwählen (jedes neue leere Verzeichnis der Wahl wird dies tun).
- Klicken Sie auf den SDM-Tabelleneditor, um allgemeine Informationen aus den Studien einzugeben, einschließlich ihrer Identifizierung (Spalte "Studie"), ihrer Stichprobengrößen (Spalten "n1" und "n2"), des t-Werts, den sie als statistische Schwellenwerte verwendet haben (Spalte "t_thr"), und anderen potenziellen Variablen, um Untergruppenanalysen oder Metaregressionen durchzuführen.
- Erstellen Sie innerhalb des ausgewählten Verzeichnisses eine Textdatei für jede Studie mit den Koordinaten und dem t-Wert jedes Peaks:
- Öffnen Sie einen Texteditor, um eine Textdatei mit dem Namen [die Identifizierung der Studie] + "." + [die Software] + "_" + [der stereotaktische Raum] + ".txt" zu erstellen. Für die Studie "Carmona", die mit SPM durchgeführt wurde und die Koordinaten im MNI-Raum meldet, muss der Name der Textdatei beispielsweise "Carmona.spm_mni.txt" sein. Wenn die Studie keine Spitzen hat, kann die Software und der stereotaktische Raum durch "no_peaks" ersetzt werden.
- Schreiben Sie die Koordinaten und den t-Wert jedes Peaks in einer anderen Zeile. Die ersten Zeilen der Textdatei "Carmona.spm_mni.txt" sollten z. B. wie folgender Sein sein:
40,39,21,-5.14
53,27,21,-3.77
56,23,20,-3.63
6. Vorverarbeitung
- Klicken Sie auf die Schaltfläche Vorverarbeitung in der linken Menüleiste, wählen Sie die Modalität der Studien im Listenfeld mit der Bezeichnung "Modalität" aus und drücken Sie OK. In der Beispielmetaanalyse ist die Modalität "VBM – graue Materie".
- Warten Sie (einige Minuten), während SDM-PSI die Karten der unteren und oberen Grenzen potenzieller Effektgrößen berechnet. SdmPsiGui zeigt vier Fortschrittsbalken an, die den Status der Ausführung und die erwartete verbleibende Zeit für den aktuellen Prozess anzeigen. Während der Berechnungen ist die Farbe des Kreises neben "Verarbeitungsstatus" gelb und ändert sich in Grün, wenn die Ausführung erfolgreich beendet wird, oder in Rot, wenn sie fehlschlägt.
7. Hauptanalyse
- Klicken Sie auf die Schaltfläche Mittelwert in der linken Menüleiste und drücken Sie OK.
- Warten Sie (einige Minuten), während SDM-PSI die Mehrfachimputation und Metaanalyse durchführt (Abbildung 1).
- Klicken Sie auf die Schaltfläche Schwellenwert in der linken Menü-Toolbox, wählen Sie die nicht korrigierten p-Werte der Hauptanalyse (standardmäßig "MyTest_uncorrp") und drücken Sie OK. SDM-PSI öffnet automatisch sowohl MRICron, um die Ergebnisse zu visualisieren, als auch eine Webseite mit einem ausführlichen Bericht darüber.
- Drücken Sie die FWE-Korrekturtaste in der linken Menü-Toolbox, wählen Sie die Hauptanalyse im Listenfeld (standardmäßig "MyTest") und drücken Sie OK.
- Warten Sie (einige Stunden oder sogar Tage), während SDM-PSI den Permutationstest durchführt.
- Klicken Sie auf die Schaltfläche Schwellenwert in der linken Menü-Toolbox, wählen Sie die TFCE-Korrektur der Hauptanalyse (standardmäßig MyTest_corrp_tfce) und drücken Sie OK. SDM-PSI öffnet automatisch sowohl MRICron, um die Ergebnisse zu visualisieren, als auch eine Webseite mit einem ausführlichen Bericht darüber.
8. Heterogenität, Publikationsverzerrung und Benotung
- Klicken Sie auf die Schaltfläche Extrahieren in der linken Menü-Toolbox, wählen Sie einen Peak aus der Hauptanalyse (standardmäßig MyTest_z_p_0.05000_10_neg_peak1) und drücken Sie OK. SDM-PSI öffnet automatisch eine Webseite mit Statistiken dieser Spitze. Notieren Sie sich die Heterogenität I2-Statistik.
- Klicken Sie auf die Schaltfläche Bias Test in der linken Menü-Toolbox, wählen Sie einen Peak aus der Hauptanalyse (standardmäßig MyTest_z_p_0.05000_10_neg_peak1) und drücken Sie OK. SDM-PSI öffnet automatisch eine Webseite mit einem Trichterdiagramm und den Ergebnissen eines Tests für Kleinstudieneffekt und einem Test auf übersigne Signifikanz. Erstere testen, ob es eine Asymmetrie im Trichterdiagramm gibt (d. h. größere Effektgröße in kleinen Studien), was darauf hindeuten könnte, dass kleine Studien nur veröffentlicht werden, wenn sie große Effektgrößen oder andere Quellen von Verzerrungen finden. Letzteres testet, ob die Zahl der Studien mit statistisch signifikanten Ergebnissen größer ist als erwartet, was darauf hindeuten könnte, dass Studien nur veröffentlicht werden, wenn sie statistisch signifikante Ergebnisse oder andere Quellen von Verzerrungen finden.
- Drücken Sie die Schaltfläche "Beweis" aus der oberen Toolbox, wählen Sie die Hauptanalyse (standardmäßig "MyTest") aus dem Listenfeld aus, und drücken Sie OK. Nach einigen Sekunden öffnet SDM-PSI automatisch MRICron, um die Beweisklassen anzuzeigen.
Representative Results
Wie in der in MRICron geöffneten Karte bei der Schwellenwertierung der Hauptanalyse gezeigt (Abbildung 2,Schritt 7.6), hatten Patienten mit OCD statistisch signifikant ein geringeres Graustoffvolumen in dorsalem vorderen cingulate/medialen frontalen Kortex. Die begleitende Webseite zeigt, dass der Cluster mäßig klein ist (143 Voxel) und sich hauptsächlich im Brodmann-Bereich 32 befindet und dass der Spitzenwert des Clusters bei MNI [2, 32, 32] liegt, einen Z-Wert von -4,97 und einen FWER-korrigierten p-Wert von 0,01 hat.
In den Webseiten in den Schritten 8.1 und 8.2 erhalten, die niedrige I2 Statistik (1,5%) weist auf eine sehr geringe Heterogenität hin, das Trichterdiagramm zeigt keine Asymmetrien (Abbildung 3), und sowohl der Test für den Effekt kleiner Studien als auch der Test auf übersigniumige Signifikanz sind negativ. Allerdings ist der Nachweis eines kleineren Graustoffvolumens in dorsalem vorderen cingulate Cortex mäßig schwach, wie in der Karte gezeigt, die in MRICron bei der Einstufung von Beweisen geöffnet ist, insbesondere aufgrund begrenzter Datenmengen.
Wenn die Hauptanalyse mit einem weniger strengen statistischen Signifikanzniveau (Schritt 7.3) angesetzt wurde, zeigten die Patienten auch statistisch signifikant ein größeres Graustoffvolumen im Striatum und überlegenen parietalen Gyrus (unkorrigierte p-Werte = 0,00006 und 0,0002), aber die Beweise für diese Anomalien sollten als schwächer betrachtet werden.
Abbildung 1: Hauptfenster der grafischen SDP-PSI-Benutzeroberfläche während einer mittleren Ausführung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Regionen mit statistisch deutlich geringerem Graustoffvolumen bei Patienten mit Zwangsstörungen im Vergleich zu abgestimmten gesunden Kontrollen.
Der Cluster der statistischen Signifikanz umfasst 143 Voxel, hat seinen Höhepunkt bei MNI [2,32,32] und umfasst hauptsächlich dorsale vordere cingulate/mediale Frontalkortex, Brodmann-Bereich 32. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Trichterdiagramm für den Spitzenwert des Clusters von statistisch deutlich kleinerem Graustoffvolumen in dorsalem vorderen cingulate Cortex. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
| Softwarepakete | Codierung in SDM |
| Statistische parametrische Zuordnung (SPM) | Spm |
| FMRIB-Softwarebibliothek (FSL) | Lfs |
| Andere Pakete | Andere |
| Stereotaktischer Raum | Codierung in SDM |
| Montreal NeurologIsches Institut (MNI) | Mni |
| Raw Talairach | tal |
| MNI mit Brett-Transformation in Talairach konvertiert | brett |
Tabelle 1: Liste der Softwarepakete und stereotaktischen Räume, die von SDM-PSI verstanden werden.
| t-Werte müssen positiv sein, wenn: | t-Werte müssen negativ sein, wenn: | |
| Ein-Probe-fMRI-Studien | Aufgabe > Baseline (Aktivierung) | Aufgabe < Baseline (Deaktivierung) |
| FMRT-Studien mit zwei Stichproben | Patienten > Kontrollen in Aufgabe > Baseline (Hyperaktivierung) | Patienten < Kontrollen in Aufgabe > Baseline (Hypo-Aktivierung) |
| Patienten < Kontrollen in Aufgabe < Baseline (Versagen der Deaktivierung) | Patienten > Kontrollen in Aufgabe < Baseline (Hyper-Deaktivierung) | |
| ZWEI-Probe-VBM- / FA-Studien | Patienten > Kontrollen (größeres Volumen / FA) | Patienten < Kontrollen (kleineres Volumen / FA) |
Tabelle 2: Vorzeichen der t-Werte der Spitzen.
Discussion
Wie bereits erwähnt, verwenden die meisten voxelbasierten metaanalytischen Methoden einen Test für die Konvergenz von Spitzen, der einige Einschränkungen hat, und führen dann eine binäre Klassifizierung der Evidenz ausschließlich basierend auf p-Werten durch.
In diesem Protokoll haben wir detailliert beschrieben, wie eine voxel-basierte Metaanalyse mit SDM-PSI durchgeführt wird, die eine Reihe positiver Merkmale aufweist, einschließlich eines Standard-Permutationstests, um die statistische Signifikanz der Effekte zu bewerten. Darüber hinaus zeigen wir, wie die Stärke der Evidenz anhand einer Reihe von Kriterien bewertet werden kann, die über eine binäre Klassifizierung hinausgehen, die ausschließlich auf einem statistischen Signifikanzniveau beruht.
Um die Replikation der Beispiel-Metaanalyse zu erleichtern, stellen wir die Daten zur Verfügung, die bereits aus den Manuskripten aus einer früheren Metaanalyse extrahiert wurden. Interessanterweise "schienen" die Beweise im Manuskript dieser Metaanalyse stärker als die Beweise, die wir mit den aktualisierten Methoden gefunden haben. Wir schlagen daher vor, dass unsystematische Auswertungen der Evidenz in früheren voxel-basierten Metaanalysen mit Vorsicht durchgeführt werden.
Wir hoffen, dass neuroimaging Meta-Analysen nach diesem Protokoll eine umfangreichere und granuliertere Beschreibung der Beweise für neuroimaging Befunde liefern.
Disclosures
Die Autoren haben nichts zu machen.
Acknowledgments
Diese Arbeit wurde unterstützt durch Miguel Servet Research Contract MS14/00041 und Das Forschungsprojekt PI14/00292 aus dem Plan Nacional de I+D+i 2013–2016, das Instituto de Salud Carlos III-Subdireccién General de Evaluacion y Fomento de la Investigacion, den Europäischen Fonds für regionale Entwicklung (FEDER) und den PFIS-Vordoktorandenvertrag FI16/00311. Die Geldgeber spielten bei der Gestaltung und Durchführung der Studie keine Rolle; Erhebung, Verwaltung, Analyse und Interpretation der Daten; Vorbereitung, Überprüfung oder Genehmigung des Manuskripts; entscheidung, das Manuskript zur Veröffentlichung vorzulegen.
Materials
| Name | Company | Catalog Number | Comments |
| Computer | 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux |
References
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Albajes-Eizagirre, A., Radua, J. What do results from coordinate-based meta-analyses tell us? Neuroimage. 176, 550-553 (2018).
- 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).
- 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).
- 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).
- 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).
- 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).
- Radua, J., et al. Anisotropic kernels for coordinate-based meta-analyses of neuroimaging studies. Frontiers in Psychiatry. 5, 13 (2014).
- Albajes-Eizagirre, A., Solanes, A., Radua, J. Meta-analysis of non-statistically significant unreported effects. Statistical Methods in Medical Research. 962280218811349, (2018).
- Durnez, J., Moerkerke, B., Nichols, T. E. Post-hoc power estimation for topological inference in fMRI. Neuroimage. 84, 45-64 (2014).
- 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).
- 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).
- Radua, J., et al. Multimodal voxel-based meta-analysis of white matter abnormalities in obsessive-compulsive disorder. Neuropsychopharmacology. 39 (7), 1547-1557 (2014).
- 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).
- Muller, V. I., et al. Ten simple rules for neuroimaging meta-analysis. Neuroscience & Biobehavioral Reviews. 84, 151-161 (2018).
- 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).
- Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. 17, 49-66 (2018).
