Summary

Meta-analyse af voxel-baserede Neuro Imaging undersøgelser ved hjælp af Seed-baserede d kortlægning med permutation af motiv billeder (SDM-PSI)

Published: November 27, 2019
doi:

Summary

Vi detaljeret hvordan man foretager en meta-analyse af voxel-baserede Neuro Imaging undersøgelser ved hjælp af Seed-baserede d kortlægning med permutation af emne billeder (SDM-PSI).

Abstract

De fleste metoder til udførelse af meta-analyse af voxel-baserede Neuro Imaging undersøgelser ikke vurdere, om virkningerne ikke er null, men om der er en konvergens af toppe af Statistisk signifikans, og reducere vurderingen af beviserne til en binær klassifikation udelukkende baseret på p-værdier (dvs. at voxels kun kan være “statistisk signifikant” eller “ikke-statistisk signifikant”). Her, vi detaljer, hvordan man foretager en meta-analyse ved hjælp af Seed-baserede d mapping med permutation af emne billeder (SDM-PSI), en ny metode, der bruger en standard permutation test for at vurdere, om effekter ikke er null. Vi viser også, hvordan man graderer styrken af beviserne efter et sæt kriterier, der betragter en række statistiske signifikansniveauer (fra mere liberale til mere konservative), mængden af data eller påvisning af potentielle skævheder (f. eks. små studie effekter og overvægt af betydning). For at eksemplificere proceduren, vi detaljer ledning af en meta-analyse af voxel-baserede morfometri undersøgelser i obsessiv-kompulsiv lidelse, og vi giver alle de data, der allerede er udvundet fra manuskripter for at give læseren mulighed for at replikere meta-analyse Nemt. SDM-PSI kan også anvendes til metaanalyser af funktionel magnetisk resonansbilleddannelse, diffusions tensor Imaging, positions emissions tomografi og overflade baserede morphometriske studier.

Introduction

Siden indførelsen af magnetisk resonans imaging, Neuro Imaging samfund har offentliggjort tusindvis af undersøgelser af neurale substrater af psykologiske funktioner og neuropsykiatriske lidelser. For at opsummere disse resultater, flere metoder er blevet udviklet1,2,3,4,5,6. Originale voxel-baserede Neuro Imaging-undersøgelser rapporterer koordinaterne for toppene af Statistisk signifikans (f. eks. i en sammenligning af gråt stof volumen mellem patienter og kontroller), og meta-analytiske metoder vurderer almindeligvis, om der er konvergens af toppe i visse hjerneområder.

Men vi har tidligere vist, at disse tests for konvergens af toppe er afhængige af sarte antagelser, der kan påvirke mønstre af meta-analyseresultater og deres statistiske betydning7. Specifikt, disse tests antager, at voxels er uafhængige, og at de har den samme sandsynlighed for en “falsk” peak, mens der i ægte grå stof, voxels korrelerer med deres naboer og sandsynligheden for, at en voxel har en “falsk” peak afhænger af dens væv sammensætning. Desuden omfatter de også paradokser som, at den statistiske effekt stiger i nærværelse af få sande virkninger, og falder, når der er flere sande virkninger.

For at overvinde disse problemer, udviklede vi en metode, der imputer hjernen kort over statistiske effekter for hver undersøgelse og derefter gennemfører en standard tilfældig-effekter meta-analyse til formelt at teste, om virkningerne er forskellige fra nul. Denne metode kaldes “Seed-baseret d mapping med permutation af emne billeder” (SDM-PSI)8 og dens vigtigste funktioner omfatter:

  • Regnskabsmæssige for både stigninger og fald i resultatet af interesse (f. eks aktivering og deaktivering), således at modstridende resultater annullere hinanden4;
  • Brug af effekt størrelses estimater med tilfældige effekter modellering, hvilket øger pålidelighed og ydeevne9;
  • Potentiel samtidig medtagelse af tilgængelige 3D-statistiske billeder (dvs. kort over t-test-værdier)10;
  • Emnebaserede permutation-tests, der er identiske med de af FSL “randomisere” værktøj11;
  • Anvendelse af tærskel-fri klynge forbedring (TFCE) statistik12.

Vi har detaljeret og fuldt valideret SDM-metoderne andre steder4,8,10,13,14.

Derudover foreslår vi ikke at påberåbe sig en binær klassifikation af voxels baseret på niveauet af Statistisk signifikans (signifikant vs. ikke signifikant), men omvendt at vurdere styrken af beviserne ved hjælp af et sæt af kriterier22. Den binære statistiske signifikans reduktionisme fører til dårlig kontrol med falske positive og falske negative rater15, mens kriterierne bruger intervaller af statistisk signifikansniveauer og tager hensyn til mængden af data eller potentielle bias. Den SDM-PSI software returnerer de nødvendige elementer til at gennemføre en sådan klassifikation8 og dermed de kan anvendes til at give en mere granulær klassificering af styrken af beviserne.

Her viser vi hvordan man gennemfører en meta-analyse af voxel-baserede Neuro Imaging undersøgelser ved hjælp af SDM-PSI. For at eksemplificere protokollen, bruger vi data fra en offentliggjort meta-analyse af voxel-baserede morfometri undersøgelser, der undersøgte grå substans abnormiteter hos patienter med obsessiv-kompulsiv lidelse (OCD)4. Men vi vil ikke bruge de metoder, der anvendes i denne tidlige meta-analyse, men de førnævnte State-of-the-art procedurer. Læseren kan downloade softwaren og disse data fra vores hjemmeside (http://www.sdmproject.com/) for at replikere analysen.

Alle forskere, der har til formål at gennemføre en meta-analyse af voxel-baserede Neuroimaging undersøgelser kan følge denne protokol. Metoden kan anvendes med funktionel magnetisk resonans imaging (fMRI, fx, fed respons på en stimulus)16, voxel-baserede morfometri (vbm, f. eks. grålig volumen)17, diffusions-tensor Imaging (DTI, f. eks. fraktioneret Anisotropy)18, positions emissiontomografi (PET, f. eks. receptor belægning)19 og overflade baseret morphometri (SBM, f. eks. kortikal tykkelse) undersøgelser/datasæt.

Protocol

1. installation af SDM-PSI Gå til https://www.sdmproject.com/software/ for at hente versionen af SDM-PSI til operativsystemet på computeren som en zip-fil. Dekomprimere ZIP-filen. Hvis du vil undgå problemer, skal du dekomprimere den i en lokal mappe uden mellemrum i stien. Klik på filen Sdmpsigui at udføre den grafiske grænseflade SDM-PSI, og Luk om splash vindue, der vil automatisk åbne. Hvis Sdmpsigui ikke finder alle de påkrævede kurver, vil den automatisk tilbyde at vise indstillingsvinduet. Tryk på Yes. Hvis MRICron ikke er installeret på computeren, skal du gå til https://www.nitrc.org/FRS/?group_id=152 for at hente versionen til operativsystemet på computeren som en zip-fil og dekomprimere zip-filen. I fanen Brain Viewer i vinduet Indstillinger skal du sikre dig, at Brain Viewer er indstillet til mricron, og klikke på mappeikonet ved siden af Brain Viewer Executable for at finde den eksekverbare mricron. Sørg for, at alle resterende kurver i de forskellige faner har blå mærker, hvilket indikerer, at stierne er korrekte. I tilfælde af, at SdmPsiGui ikke automatisk har vist vinduet Indstillinger, skal du gå til menuen funktioner og klikke på Indstillinger. Angiv det antal samtidige tråde, som skal bruges i beregningerne, under fanen multitrådning . Nogle SDM-PSI-beregninger tager meget lang tid (fra timer til dage) og forbruger en stor mængde RAM-hukommelse (fra hundredvis af megabyte til gigabytes). Brugen af flere tråde (parallel behandling) reducerer i væsentlig grad tiden, men forøger den anvendte hukommelse. Luk vinduet Indstillinger og SdmPsiGui. 2. meta-analyseplan Angiv et præcist spørgsmål. For eksempel, “har patienter med OCD har grå substans volumen regionale abnormaliteter?” Skrive klare inklusionskriterier, der muliggør en systematisk medtagelse af undersøgelserne. For eksempel, “alle undersøgelser, der udførte hele hjernen voxel-baseret sammenligning af grå substans volumen mellem personer med OCD og sunde Kontroller”. Skrive klare udelukkelseskriterier, der giver mulighed for systematisk udelukkelse af de undersøgelser, der ikke kan eller ikke medtages af specifikke årsager. F. eks. “undersøgelser med mindre end 10 patienter, duplikerede datasæt eller undersøgelser, hvorfra de krævede oplysninger ikke kan hentes”. Skriv data ned for at udtrække fra hver undersøgelse. Følgende liste indeholder de anbefalede data (nogle af dem er ikke strengt nødvendige, men deres fravær ville forarme meta-analyse): En identifikation af undersøgelsen. Stikprøvestørrelserne. Det statistiske signifikansniveau, som er den t-værdi, z-værdi eller p-værdi, der anvendes i undersøgelsen for at bestemme, hvilke voxels der var statistisk signifikante. Den software og stereoanlæg rum. Se tabel 1 for listen over softwarepakker og stereoanlæg, forstået af SDM-PSI. Koordinaterne og højden af toppene. Højden på et højdepunkt er dens t-værdi eller z-værdi, men en p-værdi er også nyttig. Variabler, der vil blive brugt til at beskrive prøverne eller til at gennemføre undergruppeanalyser eller meta regressioner. For at øge kvaliteten af revisionen, overveje at følge de “ti enkle regler for Neuro Imaging meta-analyse”20 og Prisma tjekliste21. For at øge gennemsigtigheden af revisionen, overveje at registrere protokollen på forhånd på en offentligt tilgængelig database såsom PROSPERO (https://www.CRD.York.ac.uk/PROSPERO/). 3. udtømmende søgning Vælg et sæt nøgleord, der gør det muligt at finde en undersøgelse, der kan opfylde inklusionskriterierne. For eksempel kan nøgleordene være “obsessiv – kompulsiv lidelse” plus “morphometry”, “voxel-baseret” eller “voxelwise”. Foretage søgningen på databaser som PubMed og Web of Science: Gå til database hjemmeside, fx https://www.NCBI.NLM.NIH.gov/PubMed/ for PubMed. Skriv søgeforespørgslen. I eksemplet meta-analyse, kan forespørgslen være “obsessiv – kompulsiv lidelse” og (“morphometry” eller “voxel-baserede” eller “voxelwise”). I denne forespørgsel betyder operatoren “og”, at undersøgelserne skal have alle nøgleord, operatoren “eller” betyder, at undersøgelserne skal have mindst et af nøgleordene, og parenteserne angiver rækkefølgen af disse logiske handlinger. Derfor, de hentede undersøgelser skal have nøgleordet “obsessiv – kompulsiv lidelse” og mindst et af de søgeord “morphometry”, “voxel-baserede” eller “voxelwise”. Bemærk, at andre strategier er mulige. Anvende kriterierne for inklusion/udelukkelse. For eksempel, fra resultaterne fra databaserne, skal du kun vælge de artikler, der analyserer forskelle i gråt stof volumen mellem patienter med obsessiv-kompulsiv lidelse og kontroller udfører hele hjernen voxel-baserede morfometri undersøgelser, og kassere undersøgelser, herunder mindre end 10 patienter og undersøgelser, der re-analyseret tidligere offentliggjorte data. For at øge den udtømmende søgning, overveje at foretage en manuel søgning over de refererede værker i de udvalgte undersøgelser. For at maksimere inddragelsen af undersøgelser og undgå usikkerhed i indsamlingen af data, overveje at kontakte de tilsvarende forfattere til at bede om eventuelle manglende eller uklare data. Antallet af udtagne undersøgelser og antallet af undersøgelser, som er udelukket for hver årsag, registreres. Overvej at oprette et PRISMA-flowdiagram21 med disse tal. 4. indsamling af data For hver inkluderet undersøgelse, læse manuskriptet for at finde de specifikke data til at udtrække. Gemme data fra undersøgelserne systematisk, f. eks, at skrive data i præ-formateret regneark filer. Hvis du vil minimere indtastningsfejl, skal du overveje at kopiere og indsætte interesse numrene og dobbelttjekke de gemte data. Når det statistiske signifikansniveau er uklart, bør du overveje at følge disse anbefalinger: Hvis manuskriptet rapporterer toppe opnået ved hjælp af to hele hjernen statistisk signifikansniveauer, f. eks p-værdi < 0,001 uden korrektion for flere sammenligninger (fra nu af, "ukorrigeret tærskel") og familywise Error rate (FWER) < 0,05 (fra nu af " Korrigeret tærskel "), skal du vælge den ukorrigerede tærskel og inkludere alle de toppe, der er opnået med denne ukorrigerede tærskel. Grunden til at foretrække den ukorrigerede tærskel er, at undersøgelser normalt får flere toppe, der anvender en ukorrigeret tærskel, og SDM anslår kortene mere præcist, hvis det har oplysninger fra flere toppe. Hvis manuskriptet rapporterer toppe, der er opnået ved hjælp af en ikke korrigeret tærskel for stigninger og en korrigeret tærskel for fald (eller omvendt), skal du vælge den ikke-korrigerede tærskel, men kun medtage de toppe, der er opnået ved hjælp af den korrigerede tærskel. Dette er en konservativ tilnærmelse, fordi det kan kassere nogle toppe opnået ved hjælp af den ukorrigerede tærskel. Et eksempel på denne situation kan være, når et manuskript siger noget som “vi opdagede FWER-korrigeret større gråtoner mængder i nogle regioner, mens vi ikke detekterer mindre grå substans volumen i nogen region, selv ved hjælp af ukorrigeret p-værdi < 0,001". Hvis forfatterne anvendte klyngebaserede statistikker, skal du bruge højde tærsklen for klyngedannelse. Dette er en konservativ tilnærmelse, fordi nogle voxels kunne have haft t-værdier højere end tærsklen, men forfatterne kasserede dem, fordi deres klynger ikke var store nok. Hvis manuskriptet ikke angiver en tærskel, skal du bruge en lidt mindre værdi end t-værdien af den mindste top. Grunden til at bruge denne t-værdi er, at hvis forfatterne havde anvendt denne statistiske signifikans tærskel uden at kræve en minimumsstørrelse for klyngerne, ville de have fundet de samme toppe. Ved registrering af peak information skal du gøre følgende: Udelukke toppe opnået ved hjælp af en Statistisk signifikans tærskel, som er mere liberal end den tærskel, der er valgt for resten af hjernen. Et eksempel på denne situation er, når forfatterne anvendte mere liberale tærskler eller små volumen korrektioner til nogle a priori hjerneregioner. Konverter z-værdier og p-værdier til t-værdier. Klik på knappen Konverter toppe i SDM-PSI software til at konvertere dem nemt. Alternativt, konverter dem i samme regnearksfil (f. eks. “= T. INV (1-0,001, 34)” for p-værdi = 0,001 og 34 frihedsgrader; frihedsgraderne er summen af stikprøvestørrelserne minus antallet af parametre, som i en sammenligning med to stikprøver er to plus antallet af kovariater, der anvendes i den oprindelige sammenligning). Brug positive t-værdier for stigninger (f. eks. aktivering) og negative t-værdier for faldhøjde (f. eks. deaktivering). Se tabel 2 for vejledning i, hvordan man afgør tegn på t-værdierne.Bemærk: vi indhentede oplysninger fra studierne “Heuvel” og “Soriano-Mas” efter personlig kommunikation. 5. indførelse af data i SDM-PSI Åbn Sdmpsigui , og Luk vinduet om splash (undgå, at der trykkes på en tast, mens du lukker den). Klik på Skift meta-analyse knappen i øverste venstre del af den grafiske grænseflade for at vælge en mappe til meta-analyse (enhver ny tom mappe af valg vil gøre). Klik på knappen SDM Table Editor for at indtaste generelle oplysninger fra undersøgelserne, herunder deres identifikation (kolonne “undersøgelse”), deres stikprøvestørrelser (kolonnerne “N1” og “N2”), t-værdien, som de anvendte som statistiske tærskler (kolonne “t_thr”), og andre potentielle variabler til at gennemføre under gruppe analyser eller meta-regressions. I den valgte mappe, oprette en tekstfil for hver undersøgelse med koordinaterne og t-værdien af hver peak: Åbn et tekstredigeringsprogram for at oprette en tekstfil med navnet [identifikationen af studiet] + “.” + [softwaren] + “_” + [det stereo aktiske rum] + “. txt”. For eksempel, for studiet “Carmona”, der blev udført med SPM og rapporterer koordinaterne i MNI Space, skal navnet på tekstfilen være “Carmona. spm_mni. txt”. Hvis undersøgelsen ikke har nogen toppe, kan softwaren og Stereotaktisk rum erstattes af “no_peaks”. Skriv koordinaterne og t-værdien for hver spids i en anden række. For eksempel skal de første rækker i tekstfilen “Carmona. spm_mni. txt” være:40, 39, 21,-5,1453, 27, 21,-3,7756, 23, 20,-3,63 6. forbehandling Klik på knappen forbehandling på den venstre menulinje, Vælg modalitet af undersøgelserne på listen felt mærket “modalitet” og tryk på OK. I eksemplet meta-analyse, modalitet er “VBM – grå stof”. Vent (nogle minutter), mens SDM-PSI beregner kortene over de nedre og øvre grænser for potentielle effektstørrelser. SdmPsiGui vil vise fire fremdriftslinjer, der viser status for udførelsen og den forventede resterende tid for den aktuelle proces. Under beregningerne vil farven på cirklen ved siden af “Processing status” være gul, og vil skifte til grøn, hvis udførelsen slutter med succes, eller til rød, hvis det mislykkes. 7. hovedanalyse Klik på knappen middel i venstre menulinje, og tryk på OK. Vent (nogle minutter), mens SDM-PSI udfører multiple modregnings og meta-analyse (figur 1). Klik på knappen tærskel i menuen til venstre i værktøjskassen, Vælg de ikke-rettede p-værdier for hovedanalysen (“MyTest_uncorrp” som standard), og tryk på OK. SDM-PSI vil automatisk åbne begge MRICron for at visualisere resultaterne og en webside med en detaljeret rapport over dem. Tryk på knappen FWE korrektion i venstre menuværktøjskasse, Vælg hovedanalysen i listefeltet (“mytest” som standard), og tryk på OK. Vent (nogle timer eller endda dage), mens SDM-PSI udfører permutation testen. Klik på knappen tærskel i menuen til venstre i værktøjskassen, Vælg tfce-korrektion af hovedanalysen (“MyTest_corrp_tfce” som standard), og tryk på OK. SDM-PSI vil automatisk åbne begge MRICron for at visualisere resultaterne og en webside med en detaljeret rapport over dem. 8. heterogenitet, offentliggørelses bias og klassificering Klik på knappen udtræk i menuen til venstre i værktøjskassen, Vælg en spids fra hovedanalysen (“MyTest_z_p_0.05000_10_neg_peak1” som standard), og tryk på OK. SDM-PSI vil automatisk åbne en webside med statistik over dette højdepunkt. Nedskrive den heterogenitet jeg2 statistik. Klik på knappen bias-test i menuen til venstre i værktøjskassen, Vælg en spids fra hovedanalysen (“MyTest_z_p_0.05000_10_neg_peak1” som standard), og tryk på OK. SDM-PSI vil automatisk åbne en webside med en tragt plot og resultaterne af en test for lille undersøgelse effekt og en test for overskydende betydning. Den tidligere tester, om der er asymmetri i tragt plot (dvs. større effekt størrelse i små undersøgelser), hvilket kunne indikere, at små undersøgelser kun offentliggøres, hvis de finder store effektstørrelser eller andre kilder til bias. Sidstnævnte tester, om antallet af studier med statistisk signifikante resultater er større end forventet, hvilket kunne indikere, at undersøgelserne kun offentliggøres, hvis de finder statistisk signifikante resultater eller andre kilder til bias. Tryk på evidens klassificerings knappen fra den øverste værktøjskasse, Vælg hovedanalysen (“mytest” som standard) på listefeltet, og tryk på OK. Efter nogle sekunder vil SDM-PSI automatisk åbne MRICron for at vise bevis klasser.

Representative Results

Som vist på det kort, der blev åbnet i MRICron, da der blev observeret en tærskel for hovedanalysen (figur 2, trin 7,6), havde patienter med OCD statistisk signifikant mindre grå stof volumen i dorsalanterior cingulate/medial frontal cortex. Den ledsagende webside detaljer, at klyngen er moderat lille (143 voxels) og primært placeret på Brodmann Area 32, og at toppen af klyngen er på MNI [2, 32, 32], har en z-værdi af-4,97 og en FWER-korrigeret p-værdi af 0,01. I de websider, som blev opnået i trin 8,1 og 8,2, var den lave i2 -statistik (1,5%) indikerer meget lille heterogenitet, viser tragt plot ikke asymmetrier (figur 3), og både testen for lille studie effekt og testen for overvægt af signifikans er negativ. Men, beviserne for mindre grå stof volumen i dorsale forreste cingulate cortex er moderat svag, som vist på kortet åbne i mricron når klassificering beviser, især på grund af begrænset mængde data. Da hovedanalysen blev tærskelværdi ved anvendelse af et mindre stringent statistisk signifikansniveau (trin 7,3), viste patienterne også statistisk signifikant større grå stof volumen i striatum og Superior parietal gyrus (ukorrigerede p-værdier = 0,00006 og 0,0002), men beviserne for disse abnormiteter bør betragtes som svagere. <!–Finally, the map of negative subcategories open in MRICron when grading the evidence showed that the effect sizes in non-statistically significant voxels were mostly null to small, and no large effects were observed in any non-statistically significant voxel.–> Figur 1: hovedvinduet i den grafiske brugergrænseflade SDP-PSI under en gennemsnitlig udførelse. Venligst klik her for at se en større version af dette tal. Figur 2: regioner med statistisk signifikant mindre grå stof volumen hos patienter med obsessiv-kompulsiv lidelse sammenlignet med matchede raske kontroller.Klyngen af Statistisk signifikans dækker 143 voxels, har sit højdepunkt på MNI [2, 32, 32], og omfatter for det meste dorsale forreste cingulate/medial frontal cortex, brodmann område 32. Venligst klik her for at se en større version af dette tal. Figur 3: tragt plot for toppen af klyngen af statistisk signifikant mindre grå stof volumen i dorsale forreste cingulate cortex. Venligst klik her for at se en større version af dette tal. Software pakker Kodning i SDM Statistisk parametrisk kortlægning (SPM) Spm FSL (software bibliotek) Fsl Andre pakker Andre Stereotaktisk rum Kodning i SDM Montreal neurologisk Institut (MNI) Mni Rå Talairach tal MNI konverteret til Talairach ved hjælp af Brett transformation Brett Tabel 1: liste over softwarepakker og stereotaktiske rum forstået af SDM-PSI. t-værdierne skal være positive, når: t-værdierne skal være negative, når: FMRI-undersøgelser med én prøve opgave > Oprindelig plan (aktivering) opgave < Oprindelig plan (deaktivering) FMRI-undersøgelser med to stikprøver patienter > kontrol i Task > baseline (hyper-aktivering) patienter baseline (hypo-aktivering) patienter < kontrol i opgave < baseline (svigt af deaktivering) patienter > kontrol i Task < baseline (hyper-deaktiveringen) VBM/FA-undersøgelser med to stikprøver patienter > kontrol (større volumen/FA) patienter < kontrol (mindre volumen/FA) Tabel 2: tegn på t-værdierne af toppene.

Discussion

Som indført tidligere, de fleste voxel-baserede meta-analytiske metoder bruger en test for konvergens af toppe, der har nogle begrænsninger, og derefter foretage en binær klassifikation af beviserne udelukkende baseret på p-værdier.

I denne protokol, vi detaljeret hvordan man foretager en voxel-baseret meta-analyse ved hjælp af SDM-PSI, som har en række positive egenskaber, herunder en standard permutation test for at vurdere den statistiske betydning af virkningerne. Derudover viser vi, hvordan styrken af beviserne kan sorteres ved hjælp af et sæt kriterier, der går ud over en binær klassifikation, der udelukkende er afhængig af et statistisk signifikansniveau.

For at lette replikationen af eksemplet meta-analyse, leverer vi de data, der allerede er udvundet fra manuskripterne fra en tidligere meta-analyse. Interessant, i manuskriptet af denne meta-analyse, beviserne “syntes” stærkere end de beviser, at vi fandt med de opdaterede metoder. Vi foreslår derfor, at usystematiske evalueringer af beviserne i tidligere voxel-baserede metaanalyser tages med forsigtighed.

Vi håber, at efter denne protokol, Neuro Imaging meta-analyser giver en rigere og mere granulat beskrivelse af beviserne for Neuro Imaging fund.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dette arbejde blev støttet af Miguel Servet Research Contract MS14/00041 og Research Project PI14/00292 fra planen Nacional de I + D + I 2013 – 2016, Instituto de Salud Carlos III-Subdirección general de Evaluación y Fomento de la Investigación, den europæiske fond for regional udvikling (FEDER) og af PFIS Predoktor Contract FI16/00311. Finansieringskilder havde ingen rolle i udformningen og gennemførelsen af undersøgelsen; indsamling, forvaltning, analyse og fortolkning af dataene forberedelse, gennemgang eller godkendelse af manuskriptet og beslutning om at indsende manuskriptet til offentliggørelse.

Materials

Computer 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux

References

  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).

Play Video

Cite This Article
Albajes-Eizagirre, A., Solanes, A., Fullana, M. A., Ioannidis, J. P. A., Fusar-Poli, P., Torrent, C., Solé, B., Bonnín, C. M., Vieta, E., Mataix-Cols, D., Radua, J. Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI). J. Vis. Exp. (153), e59841, doi:10.3791/59841 (2019).

View Video