Summary
We geven in detail aan hoe we een meta-analyse van op Voxel gebaseerde neuroimaging-onderzoeken kunnen uitvoeren met behulp van op zaad gebaseerde d-mapping met permutatie van Onderwerpafbeeldingen (SDM-PSI).
Abstract
De meeste methoden voor het uitvoeren van meta-analyse van op Voxel gebaseerde neuroimaging-onderzoeken beoordelen niet of effecten niet null zijn, maar of er sprake is van convergentie van pieken van statistische significantie, en verminderen de beoordeling van het bewijsmateriaal naar een binaire classificatie uitsluitend op basis van p-waarden (dat wil zeggen, voxels kunnen alleen "statistisch significant" of "niet-statistisch significant" zijn). Hier wordt gedetailleerd beschreven hoe u een meta-analyse moet uitvoeren met behulp van op zaad gebaseerde d-mapping met permutatie van Onderwerpafbeeldingen (SDM-PSI), een nieuwe methode die een standaard permutatie test gebruikt om te beoordelen of effecten niet null zijn. We laten ook zien hoe we de sterkte van het bewijs kunnen beoordelen op basis van een reeks criteria die rekening houdt met een reeks statistische significantie niveaus (van liberaler tot conservatiever), de hoeveelheid gegevens of de detectie van mogelijke vooroordelen (bijv. een klein studie-effect en overmaat van betekenis). Om de procedure te illustreren, we gedetailleerd de geleiding van een meta-analyse van voxel-gebaseerde morphometrie studies in obsessief-compulsieve stoornis, en we bieden alle gegevens die al uit de manuscripten worden geëxtraheerd om de lezer de meta-analyse te laten repliceren Gemakkelijk. SDM-PSI kan ook worden gebruikt voor meta-analyses van functionele magnetische resonantie beeldvorming, diffusie tensor beeldvorming, positie emissie tomografie en op oppervlakte gebaseerde morphometrie studies.
Introduction
Sinds de introductie van Magnetic Resonance Imaging heeft de neuroimaging-Gemeenschap duizenden studies gepubliceerd over de neurale substraten van psychologische functies en neuropsychiatrische stoornissen. Om deze bevindingen samen te vatten, zijn verschillende methoden ontwikkeld1,2,3,4,5,6. De oorspronkelijke neuroimaging-onderzoeken op Voxel rapporteren de coördinaten van de pieken van statistische significantie (bijvoorbeeld in een vergelijking van het volume van de grijze materie tussen patiënten en controles), en meta-analytische methoden beoordelen vaak of er convergentie is van pieken in bepaalde hersengebieden.
We hebben echter eerder aangetoond dat deze tests voor convergentie van pieken gebaseerd zijn op delicate veronderstellingen die de patronen van meta-analyseresultaten en hun statistische significantie7kunnen beïnvloeden. Specifiek, deze tests veronderstellen dat voxels onafhankelijk zijn en dat ze dezelfde waarschijnlijkheid van een "valse" piek, terwijl in echte grijze materie, voxels correleren met hun buren en de waarschijnlijkheid dat een Voxel een "vals" piek heeft, hangt af van de weefsel samenstelling. Daarnaast omvatten ze ook paradoxen, zoals dat het statistisch vermogen toeneemt in de aanwezigheid van enkele echte effecten en afneemt wanneer er meerdere ware effecten zijn.
Om deze problemen te overwinnen, ontwikkelden we een methode die de hersen kaarten van statistische effecten voor elke studie opschoof en vervolgens een standaard meta-analyse van willekeurige effecten uitvoert om formeel te testen of de effecten anders zijn dan nul. Deze methode wordt "op zaad gebaseerde d-mapping met permutatie van Onderwerpafbeeldingen" (SDM-PSI)8 genoemd en de belangrijkste functies zijn:
- De administratieve verwerking van zowel de stijgingen als de dalingen van het resultaat van de rente (bijvoorbeeld activering en deactivering), zodat tegenstrijdige bevindingen elkaar annuleren4;
- Gebruik van de effect grootte schattingen met Random-effect Modeling, wat de betrouwbaarheid en prestaties verhoogt9;
- Mogelijke gelijktijdige opname van beschikbare 3D-statistische afbeeldingen (d.w.z. kaarten van t-testwaarden)10;
- Op onderwerp gebaseerde permutatie tests identiek aan die van FSL "randomize" tool11;
- Gebruik van drempelvrije cluster Enhancement (TFCE) statistieken12.
We hebben deSDM-methoden elders4,8,10,13en14gedetailleerd en volledig gevalideerd.
Daarnaast stellen we voor niet te vertrouwen op een binaire classificatie van de voxels op basis van het niveau van statistische significantie (significant versus niet significant), maar omgekeerd de sterkte van het bewijs te beoordelen aan de hand van een reeks criteria22. De binaire statistische significantie reductionisme leidt tot slechte controle van de vals-positieve en valse negatieve percentages15, terwijl de criteria gebruiken bereiken van statistische significantie niveaus en rekening houden met de hoeveelheid gegevens of potentiële vooroordelen. De SDM-PSI-software retourneert de nodige elementen om zo'n classificatie8 uit te voeren en dus kunnen ze worden gebruikt om een meer gedetailleerde classificatie van de sterkte van het bewijs te bieden.
Hier laten we zien hoe we een meta-analyse van voxel-gebaseerde neuroimaging-onderzoeken kunnen uitvoeren met SDM-PSI. Om het protocol te illustreren, gebruiken we gegevens uit een gepubliceerde meta-analyse van op Voxel gebaseerde morphometrie studies waarin grijze stof afwijkingen bij patiënten met obsessief-compulsieve stoornis (OCD)4werden onderzocht. We zullen echter niet de methoden gebruiken die in die vroege meta-analyse worden gehanteerd, maar de bovengenoemde State-of-the-art procedures. De lezer kan de software en deze gegevens van onze website (http://www.sdmproject.com/) downloaden om de analyse te repliceren.
Alle onderzoekers die streven naar het uitvoeren van een meta-analyse van voxel gebaseerde neuroimaging studies kunnen dit protocol volgen. De methode kan worden gebruikt met functionele magnetische resonantie beeldvorming (fMRI, bijvoorbeeld een GEDURFDE reactie op een stimulus)16, op Voxel gebaseerde morphometrie (VBM, bijv. grijs materie volume)17, diffusie tensor beeldvorming (DTI, bijv. fractionele anisotropie)18, positie emissie tomografie (PET, bijv. receptor bezetting)19 en oppervlakte-gebaseerde morphometrie (SBM, bijv. corticale dikte) studies/datasets.
Protocol
1. installatie van SDM-PSI
- Ga naar https://www.sdmproject.com/software/ om de versie van SDM-psi te downloaden voor het besturingssysteem van de computer als zip-bestand.
- Decomprimeer het ZIP-bestand. Als u problemen wilt voorkomen, decomprimeert u deze in een lokale map zonder spaties in het pad.
- Klik op het bestand Sdmpsigui om de grafische interface van SDM-psi uit te voeren en sluit het venster over splash dat automatisch wordt geopend.
- Als Sdmpsigui niet alle vereiste paden vindt, wordt automatisch aangeboden om het venster Voorkeuren weer te geven. Druk op Ja.
- Als MRICron niet in de computer is geïnstalleerd, gaat u naar https://www.nitrc.org/FRS/?group_id=152 om de versie voor het besturingssysteem van de computer te downloaden als zip-bestand en decomprimeert u het zip-bestand.
- In de Brain Viewer tab van de voorkeuren venster, zorg ervoor dat Brain Viewer is ingesteld op mricron, en klik op het mappictogram naast Brain Viewer executable om het uitvoerbare bestand mricron te vinden.
- Zorg ervoor dat alle resterende paden in de verschillende tabbladen blauwe markeringen hebben, wat aangeeft dat de paden juist zijn.
- In het geval dat SdmPsiGui het voorkeurenvenster niet automatisch heeft weergegeven, gaat u naar het menu extra en klikt u op Voorkeuren.
- Geef in het tabblad multithreading het aantal gelijktijdige threads op dat in de berekeningen moet worden gebruikt. Sommige SDM-PSI-berekeningen nemen een zeer lange tijd (van uren tot dagen) en verbruiken een grote hoeveelheid RAM-geheugen (van honderden megabytes tot gigabytes). Het gebruik van meerdere threads (parallelle verwerking) aanzienlijk vermindert de tijd, maar verhoogt het geheugen gebruikt.
- Sluit het voorkeurenvenster en SdmPsiGui.
2. meta-analyse plan
- Geef een precieze vraag op. Bijvoorbeeld, "hebben patiënten met OCD hebben grijze materie volume regionale afwijkingen?"
- Schrijf duidelijke Inclusiecriteria die een systematische opname van de studies mogelijk maken. Bijvoorbeeld, "alle studies die Whole-Brain Voxel gebaseerde vergelijking van het volume van de grijze materie tussen individuen met OCD en gezonde controles uitgevoerd".
- Duidelijke uitsluitingscriteria schrijven die een systematische uitsluiting van die studies mogelijk maken die om specifieke redenen niet of niet mag worden opgenomen. Bijvoorbeeld, "studies met minder dan 10 patiënten, gedupliceerde gegevenssets, of studies waaruit de vereiste informatie niet kan worden opgehaald".
- Noteer de gegevens om uit elke studie te halen. De volgende lijst bevat de aanbevolen gegevens (sommige zijn niet strikt vereist, maar hun afwezigheid zou de meta-analyse verarmen):
- Een identificatie van het onderzoek.
- De steekproefgrootten.
- Het statistische significantieniveau, de t-waarde, z-waarde of p-waarde die in het onderzoek wordt gebruikt om te bepalen welke voxels statistisch significant waren.
- De software en de stereotactische ruimte. Zie tabel 1 voor de lijst van softwarepakketten en stereotactische ruimten die door SDM-psi worden begrepen.
- De coördinaten en hoogte van de pieken. De hoogte van een piek is de t-waarde of z-waarde, maar een p-waarde is ook nuttig.
- Variabelen die zullen worden gebruikt om de monsters te beschrijven of om subgroepanalyses of meta-regressies uit te voeren.
- Om de kwaliteit van de beoordeling te verhogen, u overwegen de tien eenvoudige regels voor neuroimaging meta-analyse20 en de prisma checklist21te volgen.
- Om de transparantie van de beoordeling te vergroten, u overwegen het protocol vooraf te registreren op een openbaar beschikbare database zoals PROSPERO (https://www.CRD.York.ac.uk/Prospero/).
3. uitputtende zoekopdracht
- Selecteer een set trefwoorden die het mogelijk maken om een onderzoek te vinden dat aan de Inclusiecriteria voldoet. De trefwoorden kunnen bijvoorbeeld "obsessief – compulsieve stoornis" plus "morphometrie", "Voxel-based" of "voxelwise" zijn.
- Voer de zoekopdracht uit op databases zoals PubMed en web of Science:
- Ga naar de website van de database, bijvoorbeeld https://www.ncbi.nlm.NIH.gov/PubMed/ voor PubMed.
- Typ de zoekopdracht. In het voorbeeld meta-analyse, de query mogelijk "obsessief-compulsieve stoornis" en ("morphometrie" of "Voxel-gebaseerd" of "voxelwise"). In deze query betekent de operator "en" dat de onderzoeken alle trefwoorden moeten hebben, de operator "of" betekent dat de onderzoeken ten minste een van de trefwoorden moeten hebben en dat de haakjes de volgorde van deze logische bewerkingen aangeven. Daarom moeten de opgehaalde onderzoeken het trefwoord "obsessief-compulsieve stoornis" en ten minste één van de trefwoorden "morphometrie", "Voxel-based" of "voxelwise" hebben. Houd er rekening mee dat andere strategieën mogelijk zijn.
- De criteria voor inclusie/uitsluiting toepassen. Bijvoorbeeld, uit de resultaten die door de databases, selecteert u alleen de artikelen die verschillen in het grijze materie volume analyseren tussen patiënten met obsessief-compulsieve stoornis en controles uitvoeren van Whole-Brain Voxel gebaseerde morphometrie studies, en gooi studies met inbegrip van minder dan 10 patiënten en studies die eerder gepubliceerde gegevens opnieuw geanalyseerd.
- Om de volledigheid van de zoekopdracht te vergroten, u overwegen een handmatige zoekopdracht uit te voeren over de werken waarnaar wordt verwezen in de geselecteerde onderzoeken.
- Om de opname van studies te maximaliseren en onzekerheid bij het verzamelen van gegevens te vermijden, u contact opnemen met de betreffende auteurs om te vragen naar ontbrekende of onduidelijke gegevens.
- Noteer het aantal opgehaalde studies en het aantal uitgesloten studies voor elke reden. Overweeg het creëren van een PRISMA flow diagram21 met deze nummers.
4. verzameling van de gegevens
- Lees voor elke opgenomen studie het manuscript om de specifieke gegevens te vinden die u wilt uitpakken.
- De gegevens uit de onderzoeken systematisch opslaan, bijvoorbeeld door de gegevens in vooraf opgemaakte werkbladbestanden te typen. Als u typfouten wilt minimaliseren, u overwegen de interesse nummers te kopiëren en te plakken en de opgeslagen gegevens te dubbel controleren.
- Wanneer het statistische significantieniveau onduidelijk is, u overwegen deze aanbevelingen te volgen:
- Als het manuscript pieken rapporteert die zijn verkregen met behulp van twee statistische significantie niveaus voor de hele hersenen, bijvoorbeeld p-waarde < 0,001 zonder correctie voor meervoudige vergelijkingen (vanaf nu, "niet-gecorrigeerde drempelwaarde") en familywise error rate (FWER) < 0,05 (vanaf nu " gecorrigeerde drempelwaarde "), selecteert u de niet-gecorrigeerde drempel en omvat alle pieken die zijn verkregen met deze niet-gecorrigeerde drempel. De reden om de niet-gecorrigeerde drempel te verkiezen is dat studies meestal meer pieken verkrijgen die een niet-gecorrigeerde drempel toepassen, en SDM schat de kaarten nauwkeuriger als deze informatie van meer pieken heeft.
- Als in het manuscript pieken worden opgenomen die zijn verkregen met behulp van een niet-gecorrigeerde drempel voor verhogingen en een gecorrigeerde drempelwaarde voor dalingen (of omgekeerd), selecteert u de niet-gecorrigeerde drempel, maar neemt u alleen de pieken op die zijn verkregen met de gecorrigeerde drempel. Dit is een conservatieve benadering, omdat het een aantal pieken kan negeren die zijn verkregen met behulp van de niet-gecorrigeerde drempel. Een voorbeeld van deze situatie kan zijn wanneer een manuscript iets als "we gedetecteerd FWER-gecorrigeerde grotere grijze stof volumes in sommige regio's, terwijl we niet hebben gedetecteerd kleinere grijze materie volume in een regio zelfs met behulp van niet-gecorrigeerde p-waarde < 0,001".
- Als de auteurs op clusters gebaseerde statistieken hebben toegepast, gebruikt u de drempel voor het vormen van de cluster hoogte. Dit is een conservatieve benadering omdat sommige voxels mogelijk t-waarden hadden gehad die hoger waren dan de drempel, maar de auteurs hebben ze genegeerd omdat hun clusters niet groot genoeg waren.
- Als in het manuscript geen drempelwaarde is opgegeven, gebruikt u een iets kleinere hoeveelheid dan de t-waarde van de kleinste piek. De reden om deze t-waarde te gebruiken is dat als de auteurs deze statistische significantie drempel hadden toegepast zonder een minimumgrootte voor de clusters te vereisen, ze dezelfde pieken zouden hebben gevonden.
- Als u de piek informatie opneemt, doet u het volgende:
- Uitsluiten pieken verkregen met behulp van een statistische significantie drempel die liberaler is dan de drempelwaarde voor de rest van de hersenen geselecteerd. Een voorbeeld van deze situatie is wanneer de auteurs meer liberale drempels of kleine volume correcties toepassen op sommige a priori hersengebieden.
- Converteer z-waarden en p-waarden naar t-waarden. Klik op de knop pieken in de SDM-PSI-software converteren om ze eenvoudig te converteren. U ze ook converteren in hetzelfde spreadsheetbestand (bijvoorbeeld = T. INV (1-0,001, 34) voor p-waarde = 0,001 en 34 vrijheidsgraden; de vrijheidsgraden zijn de som van de steekproefgrootten minus het aantal parameters, die in een vergelijking van twee steekproeven twee plus het aantal covariaten gebruikt in de oorspronkelijke vergelijking zijn.
- Gebruik positieve t-waarden voor pieken van toename (bijv. activering) en negatieve t-waarden voor pieken van afname (bijv. Deactivering). Zie tabel 2 voor richtlijnen over het bepalen van het teken van de t-waarden.
Opmerking: we hebben informatie verkregen van studies "heuvel" en "Soriano-Mas" na persoonlijke communicatie.
5. introductie van gegevens in SDM-PSI
- Open Sdmpsigui en sluit het venster over Splash (Vermijd het indrukken van een toets tijdens het sluiten).
- Klik op de knop meta-analyse wijzigen in de linkerbovenhoek van de grafische interface om een map te selecteren voor de meta-analyse (elke nieuwe lege directory van keuze zal doen).
- Klik op de knop SDM Table Editor voor het invoeren van algemene informatie uit de onderzoeken, met inbegrip van hun identificatie (kolom "studie"), hun steekproefgrootten (kolommen "N1" en "N2"), de t-waarde die ze gebruikten als statistische drempels (kolom "t_thr"), en andere potentiële variabelen om subgroepanalyses of meta-regressies uit te voeren.
- Maak in de geselecteerde map een tekstbestand voor elke studie met de coördinaten en t-waarde van elke piek:
- Open een teksteditor om een tekstbestand te maken met de naam [de identificatie van de studie] + "." + [de software] + "_" + [de stereotactische ruimte] + ". txt". Bijvoorbeeld, voor de studie "Carmona" die werd uitgevoerd met SPM en rapporteert de coördinaten in MNI ruimte, de naam van het tekstbestand moet "Carmona. spm_mni. txt". Als de studie geen pieken heeft, kan de software en de stereotactische ruimte worden vervangen door "no_peaks".
- Schrijf de coördinaten en t-waarde van elke piek in een andere rij. De eerste rijen van het tekstbestand "Carmona. spm_mni. txt" moeten bijvoorbeeld:
40, 39, 21,-5,14
53, 27, 21,-3,77
56, 23, 20,-3,63
6. pre-verwerking
- Klik op de knop voor verwerking in de linker menubalk, selecteer de modaliteit van de studies in de keuzelijst met het opschrift "modaliteit" en druk op OK. In het voorbeeld meta-analyse, de modaliteit is "VBM – grijze materie".
- Wacht (enkele minuten) terwijl SDM-PSI de kaarten van de onderste en bovenste grenzen van mogelijke effect groottes berekent. SdmPsiGui toont vier voortgangsbalken die de status van de uitvoering en de verwachte resterende tijd voor het huidige proces weergeven. Tijdens de berekeningen wordt de kleur van de cirkel naast ' verwerkingsstatus ' geel en verandert deze in groen als de uitvoering met succes wordt beëindigd of naar rood als dit mislukt.
7. hoofd analyse
- Klik op de mean -knop in de linker menubalk en druk op OK.
- Wacht (enkele minuten) terwijl SDM-PSI de meervoudige toerekening en meta-analyse uitvoert (Figuur 1).
- Klik op de knop drempel in de menubalk aan de linkerkant, selecteer de niet-gecorrigeerde p-waarden van de hoofd analyse (standaard "MyTest_uncorrp") en druk op OK. SDM-PSI zal beide MRICron automatisch openen om de resultaten te visualiseren en een webpagina met een gedetailleerd rapport van hen.
- Druk op de knop fwe-correctie in het linker menu, selecteer de hoofd analyse in de keuzelijst (standaard "mytest") en druk op OK.
- Wacht (enkele uren of zelfs dagen) terwijl SDM-PSI de permutatie test uitvoert.
- Klik op de knop drempel in de menubalk aan de linkerkant, selecteer de TFCE-correctie van de hoofd analyse (standaard "MyTest_corrp_tfce") en druk op OK. SDM-PSI zal beide MRICron automatisch openen om de resultaten te visualiseren en een webpagina met een gedetailleerd rapport van hen.
8. heterogeniteit, publicatie bias en sortering
- Klik op de knop uitpakken in de linkermenuwerkset, selecteer een piek uit de hoofd analyse ("MyTest_z_p_0.05000_10_neg_peak1" standaard) en druk op OK. SDM-PSI zal automatisch een webpagina openen met statistieken van deze piek. Noteer de heterogeniteit I2 statistiek.
- Klik op de knop Bias test in de menubalk links, selecteer een piek uit de hoofd analyse ("MyTest_z_p_0.05000_10_neg_peak1" standaard) en druk op OK. SDM-PSI zal automatisch een webpagina openen met een trechter plot en de resultaten van een test voor een klein studie effect en een test voor een overmaat aan betekenis. De vorige test of er asymmetrie in de trechter plot (d.w.z. grotere effect grootte in kleine studies), die kan erop wijzen dat kleine studies alleen worden gepubliceerd als ze grote effect maten of andere bronnen van bias vinden. De laatste test of het aantal studies met statistisch significante resultaten groter is dan verwacht, wat kan aangeven dat studies alleen worden gepubliceerd als zij statistisch significante resultaten of andere bronnen van bias vinden.
- Druk op de knop bewijs cijfer in de bovenste gereedschapskist, selecteer de hoofd analyse (standaard "mytest") in de keuzelijst en druk op OK. Na enkele seconden zal SDM-PSI MRICron automatisch openen om de klassen van bewijs te tonen.
Representative Results
Zoals getoond in de kaart geopend in MRICron bij de drempel van de belangrijkste analyse (Figuur 2, stap 7,6), patiënten met OCD had statistisch significant kleinere grijze materie volume in dorsale anterieure cingulate/mediale frontale cortex. De begeleidende webpagina Details dat het cluster is matig klein (143 voxels) en voornamelijk gelegen in Brodmann gebied 32, en dat de piek van de cluster op MNI [2, 32, 32], heeft een z-waarde van-4,97 en een FWER-gecorrigeerde p-waarde van 0,01.
Op de in de stappen 8,1 en 8,2 verkregen webpagina's heeft de lage I2 -statistiek (1,5%) duidt zeer kleine heterogeniteit aan, de trechter plot toont geen asymmetrieën (Figuur 3), en zowel de test voor het kleine studie-effect als de test voor een overmaat aan significantie zijn negatief. Echter, het bewijs van kleinere grijze materie volume in dorsale anterieure cingulate cortex is matig zwak, zoals weergegeven op de kaart geopend in MRICron bij het beoordelen van bewijs, vooral als gevolg van beperkte hoeveelheid gegevens.
Toen de hoofd analyse werd uitgevoerd met een minder streng statistisch significantieniveau (stap 7,3) toonden patiënten ook statistisch significant groter grijs stof volume in het striatum en superieure pariëtale gyrus (niet-gecorrigeerde p-waarden = 0,00006 en 0,0002), maar het bewijs van deze afwijkingen moet als zwakker worden beschouwd.
Figuur 1: hoofdvenster van de grafische gebruikersinterface van SDP-psi tijdens een gemiddelde uitvoering. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 2: regio's met statistisch significant kleiner grijs stof volume bij patiënten met een obsessief-compulsieve stoornis in vergelijking met afgestemde gezonde controles.
De cluster van statistische significantie beslaat 143 voxels, heeft zijn piek bij MNI [2, 32, 32], en omvat voornamelijk dorsale anterieure cingulate/mediale frontale cortex, Brodmann gebied 32. Klik hier om een grotere versie van dit cijfer te bekijken.
Figuur 3: trechter plot voor de piek van de cluster van statistisch significant kleiner grijs materie volume in dorsale anterieure cingulate cortex. Klik hier om een grotere versie van dit cijfer te bekijken.
| Software pakketten | Coderen in SDM |
| Statistische parametrische toewijzing (SPM) | Spm |
| FMRIB Software Library (FSL) | Fsl |
| Andere pakketten | Andere |
| Stereotactische ruimte | Coderen in SDM |
| Montreal Neurologisch Instituut (MNI) | MNI |
| Ruwe Talairach | tal |
| MNI omgebouwd tot Talairach met behulp van Brett Transform | Brett |
Tabel 1: lijst van softwarepakketten en stereotactische ruimten die door SDM-PSI worden begrepen.
| t-waarden moeten positief zijn wanneer: | t-waarden moeten negatief zijn wanneer: | |
| FMRI-onderzoek met één monster | taak > basislijn (activering) | taak < basislijn (deactiveren) |
| FMRI-onderzoek met twee voorbeelden | patiënten > controles in taak > Baseline (Hyper-activatie) | patiënten < controles in taak > Baseline (hypo-activatie) |
| patiënten < controles in taak < Baseline (falen van deactivering) | patiënten > controles in taak < Baseline (Hyper-deactivering) | |
| VBM/FA-studies met twee steekproeven | patiënten > Controls (groter volume/FA) | patiënten < controles (kleiner volume/FA) |
Tabel 2: teken van de t-waarden van de pieken.
Discussion
Zoals eerder geïntroduceerd, gebruiken de meeste op Voxel gebaseerde meta-analytische methoden een test voor convergentie van pieken die enkele beperkingen heeft, en vervolgens een binaire classificatie van het bewijsmateriaal uitsluitend op basis van p-waarden uitvoeren.
In dit protocol hebben we gedetailleerd beschreven hoe we een op Voxel gebaseerde meta-analyse kunnen uitvoeren met SDM-PSI, dat een aantal positieve kenmerken heeft, waaronder een standaard permutatie test om de statistische significantie van de effecten te beoordelen. Daarnaast laten we zien hoe de sterkte van het bewijs kan worden beoordeeld met behulp van een reeks criteria die verder gaan dan een binaire classificatie die uitsluitend afhankelijk is van één statistisch significantieniveau.
Om de replicatie van de voorbeeld meta-analyse te vergemakkelijken, verstrekken wij de gegevens die al uit de manuscripten uit een eerdere meta-analyse zijn geëxtraheerd. Belangwekkend, in het manuscript van die meta-analyse, het bewijs "leek" sterker dan het bewijs dat we met de bijgewerkte methoden gevonden. Daarom stellen wij voor om de onsystematische evaluaties van het bewijsmateriaal in eerdere meta-analysen op basis van voxel met de nodige voorzichtigheid te nemen.
We hopen dat neuroimaging meta-analyses volgens dit protocol een rijkere en meer granulaat beschrijving geven van het bewijs van de bevindingen van neuroimaging.
Disclosures
De auteurs hebben niets te verstrekken.
Acknowledgments
Dit werk werd gesteund door Miguel servet Research contract MS14/00041 en research project PI14/00292 van het plan Nacional de I + D + i 2013 – 2016, het Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de la onderzoekt, het Europees Fonds voor regionale ontwikkeling (FEDER), en door PFIS predoctoraal contract FI16/00311. De financiers hadden geen rol in het ontwerp en de uitvoering van de studie; verzameling, beheer, analyse en interpretatie van de gegevens; voorbereiding, herziening of goedkeuring van het manuscript; en besluit om het manuscript voor publicatie in te dienen.
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).
