Summary
Nous détaillons comment effectuer une méta-analyse des études de neuroimagerie à base de voxel à l'aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI).
Abstract
La plupart des méthodes de méta-analyse des études de neuroimagerie à base de voxel n'évaluent pas si les effets ne sont pas nuls, mais s'il existe une convergence de pics de signification statistique, et réduisent l'évaluation des preuves à une classification binaire exclusivement sur la base des valeurs p (c.-à-d. que les voxels ne peuvent être que « statistiquement significatifs » ou « non statistiquement significatifs »). Ici, nous détaillons comment effectuer une méta-analyse à l'aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI), une nouvelle méthode qui utilise un test de permutation standard pour évaluer si les effets ne sont pas nuls. Nous montrons également comment classer la force de la preuve en fonction d'un ensemble de critères qui tient compte d'une gamme de niveaux d'importance statistique (de plus libéral à plus conservateur), de la quantité de données ou de la détection de biais potentiels (p. ex., effet de petite étude et l'excès d'importance). Pour illustrer la procédure, nous détaillons la conduction d'une méta-analyse d'études morphométrie à base de voxel dans le trouble obsessionnel-compulsif, et nous fournissons toutes les données déjà extraites des manuscrits pour permettre au lecteur de reproduire la méta-analyse Facilement. SDM-PSI peut également être utilisé pour des méta-analyses de l'imagerie par résonance magnétique fonctionnelle, de l'imagerie par tenseur de diffusion, de la tomographie par émission de position et des études de morphométrie basées sur la surface.
Introduction
Depuis l'introduction de l'imagerie par résonance magnétique, la communauté neuroimagerie a publié des milliers d'études sur les substrats neuronaux des fonctions psychologiques et des troubles neuropsychiatriques. Pour résumer ces résultats, plusieurs méthodes ont été développées1,2,3,4,5,6. Les études originales de neuroimagerie à base de voxel indiquent les coordonnées des pics de signification statistique (p. ex., dans une comparaison du volume de matière grise entre les patients et les témoins), et les méthodes méta-analytiques évaluent généralement s'il y a convergence des pics dans certaines régions du cerveau.
Cependant, nous avons déjà montré que ces tests de convergence des pics reposent sur des hypothèses délicates qui pourraient influencer les modèles de résultats de méta-analyse et leur signification statistique7. Plus précisément, ces tests supposent que les voxels sont indépendants et qu'ils ont la même probabilité d'un "faux" pic, tandis que dans la matière grise réelle, voxels corrélés avec leurs voisins et la probabilité qu'un voxel a un "faux" pic dépend de sa composition tissulaire. En outre, ils englobent également des paradoxes tels que le fait que la puissance statistique augmente en présence de peu d'effets réels, et diminue lorsqu'il y a de multiples effets réels.
Pour surmonter ces problèmes, nous avons mis au point une méthode qui imppute les cartes cérébrales des effets statistiques pour chaque étude et effectue ensuite une méta-analyse standard des effets aléatoires pour vérifier formellement si les effets sont différents de zéro. Cette méthode est appelée "Seed-based d Mapping with Permutation of Subject Images" (SDM-PSI)8 et ses principales caractéristiques comprennent:
- Comptabiliser à la fois les augmentations et les diminutions du résultat de l'intérêt (p. ex., activation et désactivation) de sorte que les résultats contradictoires s'annulent les uns les autres4;
- Utilisation des estimations de la taille des effets avec modélisation des effets aléatoires, ce qui augmente la fiabilité et la performance9;
- Inclusion simultanée potentielle d'images statistiques 3D disponibles (c.-à-d. cartes des valeurs du test t)10;
- Tests de permutation basés sur des sujets identiques à ceux de l'outil «randomiser»11de FSL;
- Utilisation des statistiques d'amélioration des grappes sans seuil (TFCE)12.
Nous avons détaillé et entièrement validé les méthodes SDM ailleurs4,8,10,13,14.
En outre, nous suggérons de ne pas se fonder sur une classification binaire des voxels en fonction du niveau de signification statistique (significatif par rapport à non significatif) mais, inversement, d'évaluer la force de la preuve à l'aide d'un ensemble de critères22. Le réductionnisme de la signification statistique binaire conduit à un mauvais contrôle des taux faux positifs et faux négatifs15, tandis que les critères utilisent des gammes de niveaux de signification statistique et de prendre en compte la quantité de données ou de biais potentiels. Le logiciel SDM-PSI renvoie les éléments nécessaires à la conduite d'une telle classification8 et peut donc être utilisé pour permettre une classification plus granulaire de la force de la preuve.
Ici, nous montrons comment effectuer une méta-analyse des études de neuroimagerie à base de voxel à l'aide de SDM-PSI. Pour illustrer le protocole, nous utilisons les données d'une méta-analyse publiée d'études morphometry à base de voxel qui ont étudié les anomalies de la matière grise chez les patients atteints de troubles obsessionnels compulsifs (TOC)4. Cependant, nous n'utiliserons pas les méthodes employées dans cette méta-analyse précoce, mais les procédures de pointe susmentionnées. Le lecteur peut télécharger le logiciel et ces données à partir de notre site Web (http://www.sdmproject.com/) pour reproduire l'analyse.
Tous les chercheurs qui visent à effectuer une méta-analyse des études de neuroimagerie à base de voxel peuvent suivre ce protocole. La méthode peut être utilisée avec l'imagerie par résonance magnétique fonctionnelle (IRMf, p. ex., réponse BOLD à un stimulus)16, morphométrie à base de voxel (VBM, p. ex., volume de matière grise)17, imagerie par tenseur de diffusion (DTI, p. ex. anisotropie fractionnaire)18, tomographie par émission de position (PET, p. ex., occupation des récepteurs)19 et morphométrie de surface (SBM, etc. études d'épaisseur cortical)
Protocol
1. Installation de SDM-PSI
- Allez à https://www.sdmproject.com/software/ pour télécharger la version de SDM-PSI pour le système d'exploitation de l'ordinateur comme un fichier ZIP.
- Décompresser le fichier ZIP. Pour éviter les problèmes, décompresser dans un dossier local sans espaces vides sur son passage.
- Cliquez sur le fichier SdmPsiGui pour exécuter l'interface graphique de SDM-PSI, et fermez la fenêtre d'éclaboussureS About qui s'ouvrira automatiquement.
- Si SdmPsiGui ne trouve pas tous les chemins requis, il offrira automatiquement d'afficher la fenêtre de préférences. Appuyez oui.
- Si MRICron n'est pas installé dans l'ordinateur, rendez-vous sur https://www.nitrc.org/frs/?group_id=152 pour télécharger la version du système d'exploitation de l'ordinateur sous forme de fichier ZIP et décompresser le fichier ZIP.
- Dans l'onglet Visualiseur de cerveau de la fenêtre préférences, assurez-vous que le visualiseur de cerveau est réglé sur MRICron,et cliquez sur l'icône de dossier à côté de visualisable de cerveau exécutable pour trouver le MRICron exécutable.
- Assurez-vous que tous les chemins restants dans les différents onglets ont des marques bleues, ce qui indique que les chemins sont corrects.
- Dans le cas où SdmPsiGui n'a pas automatiquement affiché la fenêtre de préférences, allez dans le menu Outils et cliquez sur Préférences.
- Dans l'onglet Multithreading, spécifiez le nombre de threads simultanés à utiliser dans les calculs. Certains calculs SDM-PSI prennent beaucoup de temps (des heures aux jours) et consomment une grande quantité de mémoire RAM (de centaines de mégaoctets à gigaoctets). L'utilisation de plusieurs threads (traitement parallèle) diminue considérablement le temps mais augmente la mémoire utilisée.
- Fermez la fenêtre de préférences et SdmPsiGui.
2. Plan de méta-analyse
- Spécifiez une question précise. Par exemple, « les patients atteints de TOC ont-ils des anomalies régionales du volume de matière grise? »
- Rédiger des critères d'inclusion clairs qui permettent une inclusion systématique des études. Par exemple, « toutes les études qui ont effectué la comparaison de voxel de cerveau entier-basé du volume de matière grise entre des individus avec LE TOC et des contrôles sains ».
- Rédiger des critères d'exclusion clairs qui permettent une exclusion systématique des études qui ne peuvent pas ou ne devraient pas être incluses pour des raisons spécifiques. Par exemple, « des études avec moins de 10 patients, des ensembles de données dupliqués ou des études à partir desquelles les informations requises ne peuvent pas être récupérées ».
- Notez les données à extraire de chaque étude. La liste suivante comprend les données recommandées (certaines d'entre elles ne sont pas strictement requises, mais leur absence appauvrirait la méta-analyse) :
- Une identification de l'étude.
- Les tailles d'échantillon.
- Le niveau de signification statistique, c'est-à-dire la valeur t, la valeur z ou la valeur p utilisée dans l'étude pour déterminer quels voxels étaient statistiquement significatifs.
- Le logiciel et l'espace stéréotaxique. Voir tableau 1 pour la liste des progiciels et des espaces stéréotaxiques compris par SDM-PSI.
- Les coordonnées et la hauteur des sommets. La hauteur d'un pic est sa valeur t ou z-valeur, mais une valeur p est également utile.
- Variables qui seront utilisées pour décrire les échantillons ou pour effectuer des analyses de sous-groupes ou des méta-régressions.
- Pour améliorer la qualité de l'examen, envisagez de suivre les « Dix règles simples pour la méta-analyse neuroimagerie »20 et la liste de contrôle PRISMA21.
- Pour accroître la transparence de l'examen, envisagez d'enregistrer le protocole à l'avance sur une base de données accessible au public comme PROSPERO (https://www.crd.york.ac.uk/PROSPERO/).
3. Recherche exhaustive
- Sélectionnez un ensemble de mots clés qui permettent de trouver toute étude qui pourrait répondre aux critères d'inclusion. Par exemple, les mots-clés peuvent être « trouble obsessionnel-compulsif » plus « morphométrie », « à base de voxel » ou « voxelwise ».
- Effectuez la recherche sur des bases de données telles que PubMed et Web of Science :
- Rendez-vous sur le site Web de la base de données, par exemple https://www.ncbi.nlm.nih.gov/pubmed/ pour PubMed.
- Tapez la requête de recherche. Dans l'exemple de méta-analyse, la requête peut être « trouble obsessionnel-compulsif » ET (« morphométrie » OU « à base de voxel » OU « voxelwise »). Dans cette requête, l'opérateur "ET" signifie que les études doivent avoir tous les mots clés, l'opérateur "OU" signifie que les études doivent avoir au moins un des mots clés, et les parenthèses indiquent l'ordre de ces opérations logiques. Par conséquent, les études récupérées doivent avoir le mot clé « trouble obsessionnel-compulsif » et au moins l'un des mots-clés « morphométrie », « à base de voxel » ou « voxelwise ». Notez que d'autres stratégies sont possibles.
- Appliquer les critères d'inclusion/exclusion. Par exemple, à partir des résultats fournis par les bases de données, sélectionnez uniquement les articles qui analysent les différences dans le volume de matière grise entre les patients atteints de troubles obsessionnels compulsifs et les contrôles effectuant des études de morphométrie à base de voxel du cerveau entier, et jetez les études comprenant moins de 10 patients et études qui ont ré-analysé les données publiées précédemment.
- Pour accroître l'exhaustivité de la recherche, envisagez de procéder à une recherche manuelle sur les œuvres référencées dans les études sélectionnées.
- Afin de maximiser l'inclusion des études et d'éviter toute incertitude dans la collecte de données, envisagez de communiquer avec les auteurs correspondants pour demander des données manquantes ou peu claires.
- Enregistrez le nombre d'études récupérées et le nombre d'études exclues pour chaque raison. Envisagez de créer un diagramme de flux PRISMA21 avec ces chiffres.
4. Collecte des données
- Pour chaque étude incluse, lisez le manuscrit pour trouver les données spécifiques à extraire.
- Enregistrez systématiquement les données des études, par exemple en tapant les données dans des fichiers de feuilles de calcul préformatées. Pour minimiser les erreurs de frappe, envisagez de copier et de coller les nombres d'intérêts et de vérifier les données enregistrées.
- Lorsque le niveau d'importance statistique n'est pas clair, envisagez de suivre les recommandations suivantes :
- Si le manuscrit rapporte des pics obtenus à l'aide de deux niveaux d'importance statistique du cerveau entier, par exemple p-valeur 'lt; 0.001 sans correction pour les comparaisons multiples (à partir de maintenant, "seuil non corrigé") et le taux d'erreur familiale (FWER) 'lt; 0.05 (à partir de maintenant " seuil corrigé), sélectionnez le seuil non corrigé et incluez tous les pics obtenus à l'aide de ce seuil non corrigé. La raison de préférer le seuil non corrigé est que les études obtiennent généralement plus de pics appliquant un seuil non corrigé, et SDM estime les cartes avec plus de précision si elle a des informations provenant d'autres sommets.
- Si le manuscrit fait état de pics obtenus à l'aide d'un seuil non corrigé pour les augmentations et d'un seuil corrigé pour les diminutions (ou vice versa), sélectionnez le seuil non corrigé, mais n'incluez que les pics obtenus à l'aide du seuil corrigé. Il s'agit d'une approximation conservatrice, car elle pourrait jeter certains pics obtenus en utilisant le seuil non corrigé. Un exemple de cette situation pourrait être quand un manuscrit indique quelque chose comme « nous avons détecté FWER-corrigé de plus grands volumes de matière grise dans quelques régions, alors que nous n'avons pas détecté plus petit volume de matière grise dans n'importe quelle région même en utilisant la valeur p non corrigée 'lt ; 0.001 ».
- Si les auteurs ont appliqué des statistiques basées sur les clusters, utilisez le seuil de hauteur de formation de clusters. Il s'agit d'une approximation conservatrice parce que certains voxels auraient pu avoir des valeurs t plus élevées que le seuil, mais les auteurs les ont jetés parce que leurs grappes n'étaient pas assez grandes.
- Si le manuscrit ne spécifie pas de seuil, utilisez une valeur légèrement inférieure à la valeur t du plus petit pic. La raison d'utiliser cette valeur t est que si les auteurs avaient appliqué ce seuil de signification statistique sans exiger une taille minimale pour les grappes, ils auraient trouvé les mêmes pics.
- Lors de l'enregistrement de l'information de pointe faire ce qui suit:
- Exclure les pics obtenus à l'aide d'un seuil de signification statistique plus libéral que le seuil choisi pour le reste du cerveau. Un exemple de cette situation est quand les auteurs ont appliqué des seuils plus libéraux ou des corrections de petit volume à quelques régions de cerveau a priori.
- Convertissez les valeurs z et p en valeurs t. Cliquez sur le bouton Convertir les pics dans le logiciel SDM-PSI pour les convertir facilement. Vous pouvez également les convertir dans le même fichier de feuille de calcul (p. ex., « T.INV (1-0,001,34) » pour la valeur p de 0,001 et 34 degrés de liberté; les degrés de liberté sont la somme des tailles de l'échantillon moins le nombre de paramètres, qui dans une comparaison de deux échantillons sont deux plus le nombre de covariates utilisées dans la comparaison originale).
- Utilisez des valeurs t positives pour les pics d'augmentation (p. ex. l'activation) et les valeurs t négatives pour les pics de diminution (p. ex., désactivation). Voir le tableau 2 pour obtenir des conseils sur la façon de décider du signe des valeurs t.
REMARQUE : Nous avons obtenu des informations des études "Heuvel" et "Soriano-Mas" après communication personnelle.
5. Introduction de données dans SDM-PSI
- Ouvrez SdmPsiGui et fermez la fenêtre D'éclaboussures (évitez d'avoir une clé pressée pendant qu'elle la ferme).
- Cliquez sur le bouton de méta-analyse Change à la partie supérieure gauche de l'interface graphique pour sélectionner un répertoire pour la méta-analyse (tout nouvel annuaire vide de choix fera l'expérience).
- Cliquez sur le bouton SDM éditeur de table pour entrer des informations générales des études, y compris leur identification (colonne "étude"), leurs tailles d'échantillon (colonnes "n1" et "n2"), la valeur t qu'ils ont utilisé comme seuils statistiques (colonne "t_thr"), et d'autres variables potentielles pour effectuer des analyses de sous-groupes ou méta-régressions.
- Dans le répertoire sélectionné, créez un fichier texte pour chaque étude avec les coordonnées et la valeur t de chaque pic :
- Ouvrez un éditeur de texte pour créer un fichier texte nommé [l'identification de l'étude] - "." - [le logiciel] - "" [l'espace stéréotaxique] - ".txt". Par exemple, pour l'étude "Carmona" qui a été menée avec SPM et rapporte les coordonnées dans l'espace MNI, le nom du fichier texte doit être "Carmona.spm_mni.txt". Si l'étude n'a pas de pics, le logiciel et l'espace stéréotaxique peuvent être remplacés par des « no_peaks ».
- Écrivez les coordonnées et la valeur t de chaque pic d'une ligne différente. Par exemple, les premières rangées du fichier texte "Carmona.spm_mni.txt" doivent être:
40,39,21,-5.14
53,27,21,-3.77
56,23,20,-3.63
6. Prétraitement
- Cliquez sur le bouton De prétraitement à la barre de menu gauche, sélectionnez la modalité des études dans la case liste étiquetée "Modalité" et appuyez sur OK. Dans l'exemple de la méta-analyse, la modalité est "VBM - matière grise".
- Attendez (quelques minutes) pendant que SDM-PSI calcule les cartes des limites inférieures et supérieures des tailles d'effet potentiel. SdmPsiGui affichera quatre barres de progression qui affichent l'état de l'exécution et le temps restant prévu pour le processus en cours. Pendant les calculs, la couleur du cercle à côté de "L'état de traitement" sera jaune, et passera au vert si l'exécution se termine avec succès, ou au rouge si elle échoue.
7. Analyse principale
- Cliquez sur le bouton Moyenne à la barre de menu gauche et appuyez sur OK.
- Attendez (quelques minutes) pendant que SDM-PSI effectue l'imputation et la méta-analyse multiples (figure 1).
- Cliquez sur le bouton Seuil dans la boîte à outils du menu gauche, sélectionnez les p-values non corrigées de l'analyse principale ("MyTest_uncorrp" par défaut) et appuyez sur OK. SDM-PSI ouvrira automatiquement à la fois MRICron pour visualiser les résultats et une page Web avec un rapport détaillé d'entre eux.
- Appuyez sur le bouton de correction FWE à la boîte à outils du menu gauche, sélectionnez l'analyse principale dans la boîte de liste ("MyTest" par défaut) et appuyez sur OK.
- Attendez (quelques heures, voire quelques jours) pendant que SDM-PSI effectue le test de permutation.
- Cliquez sur le bouton Seuil dans la boîte à outils du menu gauche, sélectionnez la correction TFCE de l'analyse principale ("MyTest_corrp_tfce" par défaut) et appuyez sur OK. SDM-PSI ouvrira automatiquement à la fois MRICron pour visualiser les résultats et une page Web avec un rapport détaillé d'entre eux.
8. Hétérogénéité, biais de publication et classement
- Cliquez sur le bouton Extrait sur la boîte à outils du menu gauche, sélectionnez un pic à partir de l'analyse principale ("MyTest_z_p_0.05000_10_neg_peak1" par défaut) et appuyez sur OK. SDM-PSI ouvrira automatiquement une page Web avec des statistiques de ce pic. Notez l'hétérogénéité I2 statistique.
- Cliquez sur le bouton Bias Test sur la boîte à outils du menu gauche, sélectionnez un pic à partir de l'analyse principale ("MyTest_z_p_0.05000_10_neg_peak1" par défaut) et appuyez sur OK. SDM-PSI ouvrira automatiquement une page Web avec une parcelle d'entonnoir et les résultats d'un test pour l'effet de petite étude et un test pour l'importance excessive. Les premiers tests permettent de vérifier s'il y a asymétrie dans la parcelle d'entonnoir (c.-à-d. une plus grande taille d'effet dans de petites études), ce qui pourrait indiquer que de petites études ne sont publiées que si elles trouvent de grandes tailles d'effet ou d'autres sources de biais. Ce dernier teste si le nombre d'études avec des résultats statistiquement significatifs est plus grand que prévu, ce qui pourrait indiquer que les études ne sont publiées que si elles trouvent des résultats statistiquement significatifs ou d'autres sources de biais.
- Appuyez sur le bouton de classement Des preuves à partir de la boîte à outils supérieure, sélectionnez l'analyse principale ("MyTest" par défaut) à partir de la boîte de liste et appuyez sur OK. Après quelques secondes, SDM-PSI ouvrira automatiquement MRICron pour afficher les classes de preuves.
Representative Results
Comme le montre la carte ouverte dans MRICron lors du seuil de l'analyse principale(figure 2, étape 7.6), les patients atteints de TOC avaient statistiquement significativement plus petit volume de matière grise dans le cortex frontal antérieur/médial dorsal. La page Web qui l'accompagne précise que le cluster est modérément petit (143 voxels) et principalement situé dans la zone 32 de Brodmann, et que le pic du cluster est à L'INM [2, 32, 32], a une valeur z de -4,97 et une valeur p corrigée fWER de 0,01.
Dans les pages Web obtenues par étapes 8.1 et 8.2, la statistique basse I2 (1.5%) indique une très petite hétérogénéité, la parcelle d'entonnoir ne montre pas d'asymétries (figure 3), et le test pour l'effet de petite étude et le test pour l'excès de signification sont négatifs. Cependant, l'évidence du plus petit volume de matière grise dans le cortex cingulaire antérieur dorsal est modérément faible, comme montré dans la carte ouverte dans MRICron en classant des preuves, particulièrement en raison de la quantité limitée de données.
Lorsque l'analyse principale a été seuilée à l'aide d'un niveau de signification statistique moins rigoureux (étape 7.3), les patients ont également montré statistiquement significativement plus grand volume de matière grise dans le striatum et le gyrus pariétal supérieur (valeurs p non corrigées - 0,00006 et 0,0002 respectivement), mais l'évidence de ces anomalies devrait être considérée plus faible.
Figure 1 : Fenêtre principale de l'interface utilisateur graphique SDP-PSI lors d'une exécution moyenne. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 2 : Régions de volume statistiquement significativement plus faible de matière grise dans les patients présentant le désordre obsessionnel-compulsif comparé aux contrôles sains assortis.
Le groupe de signification statistique couvre 143 voxels, a son apogée à l'INM [2,32,32], et comprend principalement le cingulate antérieur dorsal/cortex frontal médial, zone de Brodmann 32. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 3 : Trace d'entonnoir pour le pic de l'amas de volume de matière grise statistiquement significativement plus petit dans le cortex cingulaire antérieur dorsal. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
| Progiciels | Codage en SDM |
| Cartographie paramétrique statistique (SPM) | Spm |
| Bibliothèque logicielle FMRIB (FSL) | Fsl |
| Autres paquets | Autres |
| Espace stéréotaxique | Codage en SDM |
| Institut neurologique de Montréal (INM) | Inm |
| Talairach cru | Tal |
| L'INM convertie à Talairach à l'aide de Brett transform | Brett |
Tableau 1 : Liste des progiciels et des espaces stéréotaxiques compris par SDM-PSI.
| les valeurs t doivent être positives lorsque : | les valeurs t doivent être négatives lorsque : | |
| Études sur l'IRMf d'un échantillon | tâche 'gt; ligne de base (activation) | tâche lt; ligne de base (désactivation) |
| Études sur l'IRMf à deux échantillons | patients et contrôles dans la tâche de base (hyper-activation) | patients lt; contrôles dans la tâche 'gt; ligne de base (hypo-activation) |
| patients et contrôles dans la tâche lt; ligne de base (échec de la désactivation) | patients et contrôles dans la tâche lt; ligne de base (hyper-désactivation) | |
| Études VBM / FA à deux échantillons | patients et contrôles (volume plus important / FA) | patients et contrôles (plus petit volume / FA) |
Tableau 2 : Signe des valeurs t des pics.
Discussion
Comme présenté précédemment, la plupart des méthodes méta-analytiques basées sur le voxel utilisent un test de convergence des pics qui a certaines limites, puis effectuent une classification binaire des preuves exclusivement basée sur les valeurs p.
Dans ce protocole, nous avons détaillé comment effectuer une méta-analyse basée sur le voxel à l'aide de SDM-PSI, qui a un certain nombre de caractéristiques positives, y compris un test de permutation standard pour évaluer la signification statistique des effets. En outre, nous montrons comment la force de la preuve peut être évaluée en utilisant un ensemble de critères qui vont au-delà d'une classification binaire qui repose uniquement sur un niveau de signification statistique.
Pour faciliter la réplication de l'exemple de méta-analyse, nous fournissons les données déjà extraites des manuscrits d'une méta-analyse précédente. Fait intéressant, dans le manuscrit de cette méta-analyse, les preuves « semblaient » plus solides que les preuves que nous avons trouvées avec les méthodes mises à jour. Nous suggérons donc que les évaluations non systématiques des preuves dans les méta-analyses précédentes basées sur le voxel soient prises avec prudence.
Nous espérons que suivant ce protocole, les méta-analyses de neuroimaging fournissent une description plus riche et plus granulede des preuves des résultats de neuroimaging.
Disclosures
Les auteurs n'ont rien à divulguer.
Acknowledgments
Ce travail a été soutenu par Miguel Servet Research Contract MS14/00041 et Research Project PI14/00292 du Plan Nacional de I-D-i 2013-2016, l'Instituto de Salud Carlos III-Subdireccion General de Evaluacion y Fomento de la Investigacion, le Fonds européen de développement régional (FEDER), et par LE CONTRAT prédoctoral PFIS FI16/00311. Les bailleurs de fonds n'ont joué aucun rôle dans la conception et la conduite de l'étude; la collecte, la gestion, l'analyse et l'interprétation des données; la préparation, l'examen ou l'approbation du manuscrit; et la décision de soumettre le manuscrit pour publication.
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).
