Summary
Viene descritto in dettaglio come condurre una meta-analisi di studi di neuroimaging basati su voxel utilizzando seed-based d Mapping with Permutation of Subject Images (SDM-PSI).
Abstract
La maggior parte dei metodi per condurre la meta-analisi di studi di neuroimaging basati su voxel non valuta se gli effetti non sono nulli, ma se c'è una convergenza di picchi di rilevanza statistica e riducono la valutazione delle prove in una classificazione binaria esclusivamente basato su valori p (cioè, i voxel possono essere solo "statisticamente significativi" o "non statisticamente significativi"). In questo caso, viene descritto in dettaglio come eseguire una meta-analisi utilizzando il mapping d basato su seme con permutazione delle immagini soggetto (SDM-PSI), un nuovo metodo che utilizza un test di permutazione standard per valutare se gli effetti non sono nulli. Mostriamo anche come classificare la forza delle prove in base a una serie di criteri che considerano una serie di livelli di significatività statistica (da più liberali a più conservativi), la quantità di dati o l'individuazione di potenziali pregiudizi (ad esempio, effetto di piccolo studio e un eccesso di significato). Per esemplificare la procedura, indettagliamo la conduzione di una meta-analisi di studi di morfometria basati su voxel nel disturbo ossessivo-compulsivo, e forniamo tutti i dati già estratti dai manoscritti per consentire al lettore di replicare la meta-analisi Facilmente. SDM-PSI può essere utilizzato anche per meta-analisi della risonanza magnetica funzionale, dell'imaging a tensore di diffusione, della tomografia a emissione di posizione e degli studi di morfometria basata sulla superficie.
Introduction
Dall'introduzione della risonanza magnetica, la comunità di neuroimaging ha pubblicato migliaia di studi sui substrati neurali delle funzioni psicologiche e dei disturbi neuropsichiatrici. Per riassumere questi risultati, sono stati sviluppati diversi metodi1,2,3,4,5,6. Gli studi originali di neuroimaging basati su voxel riportano le coordinate dei picchi di rilevanza statistica (ad esempio, in un confronto del volume della materia grigia tra pazienti e controlli), e i metodi meta-analitici valutano comunemente se esiste una convergenza dei picchi in alcune regioni del cervello.
Tuttavia, abbiamo dimostrato in precedenza che questi test per la convergenza dei picchi si basano su ipotesi delicate che potrebbero influenzare i modelli di risultati della meta-analisi e la loro rilevanza statistica7. In particolare, questi test presumono che i voxel siano indipendenti e che abbiano la stessa probabilità di un picco "falso", mentre nella materia grigia reale, i voxel correlano con i loro vicini e la probabilità che un voxel abbia un picco "falso" dipende dalla sua composizione tissutale. Inoltre, essi comprendono anche paradossi come che il potere statistico aumenta in presenza di pochi effetti reali, e diminuisce quando ci sono più effetti reali.
Per superare questi problemi, abbiamo sviluppato un metodo che imputa le mappe cerebrali degli effetti statistici per ogni studio e quindi conduce una meta-analisi degli effetti casuali standard per verificare formalmente se gli effetti sono diversi da zero. Questo metodo è chiamato "Seed-based d Mapping with Permutation of Subject Images" (SDM-PSI)8 e le sue caratteristiche principali includono:
- Tenendo conto sia degli aumenti che delle diminuzioni del risultato dell'interesse (ad esempio, attivazione e disattivazione) in modo che i risultati contraddittori si annullino a vicenda4;
- Uso delle stime delle dimensioni degli effetti con la modellazione ad effetti casuali, che aumenta l'affidabilità e le prestazioni9;
- Potenziale inclusione simultanea di immagini statistiche 3D disponibili (ad esempio, mappe dei valori di t-test)10;
- Test di permutazione basati sul soggetto identici a quelli dello strumento "randomize" FSL11;
- Utilizzo delle statistiche TFCE (Threshold-free ClusterEnhancement) 12.
Abbiamo dettagliato e completamente convalidato i metodi SDM altrove4 4,8,10,13,14.
Inoltre, suggeriamo di non basarsi su una classificazione binaria dei voxel basata sul livello di significatività statistica (significativo vs non significativo) ma, al contrario, valutando la forza dell'evidenza utilizzando una serie di criteri22. Il riduzionismo binario del significato statistico porta a uno scarso controllo dei falsi tassi positivi e dei falsi tassi negativi15, mentre i criteri utilizzano intervalli di livelli di significatività statistica e tengono conto della quantità di dati o potenziali pregiudizi. Il software SDM-PSI restituisce gli elementi necessari per condurre tale classificazione8 e quindi possono essere impiegati per permettersi una classificazione più granulare della forza delle prove.
Qui mostriamo come condurre una meta-analisi di studi di neuroimaging basati su voxel utilizzando SDM-PSI. Per esemplificare il protocollo, utilizziamo i dati di una meta-analisi pubblicata di studi di morfometria basati su voxel che hanno studiato le anomalie della materia di grigia in pazienti con disturbo ossessivo-compulsivo (OCD)4. Tuttavia, non useremo i metodi impiegati in quella meta-analisi precoce, ma le suddette procedure all'avanguardia. Il lettore può scaricare il software e questi dati dal nostro sito web (http://www.sdmproject.com/) per replicare l'analisi.
Tutti i ricercatori che mirano a condurre una meta-analisi di studi di neuroimaging basati su voxel possono seguire questo protocollo. Il metodo può essere utilizzato con la risonanza magnetica funzionale (fMRI, ad esempio, risposta BOLD a uno stimolo)16, morfometria basata su voxel (VBM, ad esempio, il volume della materia grigia)17, l'imaging a tensore di diffusione (DTI, ad esempio, anisotropia frazionaria)18, tomografia a emissione di posizione (PET, ad esempio, occupazione dei recettori)19 e morfometria a base di superficie (SBM, ad esempio spessore corticale) studi/dataset.
Protocol
1. Installazione di SDM-PSI
- Passare a https://www.sdmproject.com/software/ per scaricare la versione di SDM-PSI per il sistema operativo del computer come file zip.
- Decomprimere il file zip. Per evitare problemi, decomprimerlo all'interno di una cartella locale senza spazi vuoti nel percorso.
- Fare clic sul file SdmPsiGui per eseguire l'interfaccia grafica di SDM-PSI e chiudere la finestra Informazioni su di splash che si aprirà automaticamente.
- Se SdmPsiGui non trova tutti i percorsi richiesti, offrirà automaticamente di visualizzare la finestra delle preferenze. Premere Sì.
- Se RMNon è installato nel computer, passare a https://www.nitrc.org/frs/?group_id=152 per scaricare la versione per il sistema operativo del computer come file zip e decomprimere il file zip.
- Nella scheda Visualizzatore cervello della finestra delle preferenze, verificare che Visualizzatore cervello sia impostato su MRICron, quindi fare clic sull'icona della cartella accanto a Visualizzatore di cervelli per trovare l'eseguibile MRICron.
- Assicurarsi che tutti i percorsi rimanenti nelle diverse schede abbiano segni blu, che indicano che i percorsi sono corretti.
- Nel caso in cui SdmPsiGui non abbia visualizzato automaticamente la finestra delle preferenze, accedere al menu Strumenti e fare clic su Preferenze.
- Nella scheda Multithreading, specificare il numero di thread simultanei da utilizzare nei calcoli. Alcuni calcoli SDM-PSI richiedono un tempo molto lungo (da ore a giorni) e consumano una grande quantità di memoria RAM (da centinaia di megabyte a gigabyte). L'utilizzo di più thread (elaborazione parallela) riduce notevolmente il tempo, ma aumenta la memoria utilizzata.
- Chiudere la finestra delle preferenze e SdmPsiGui.
2. Piano di meta-analisi
- Specificare una domanda precisa. Per esempio, "i pazienti con ossessivo compulsivo hanno anomalie regionali di volume di materia grigia?"
- Scrivere criteri di inclusione chiari che consentano un'inclusione sistematica degli studi. Per esempio, "tutti gli studi che hanno eseguito il confronto basato su voxel dell'intero cervello del volume della materia grigia tra individui con oCD e controlli sani".
- Scrivi chiari criteri di esclusione che consentano un'esclusione sistematica di quegli studi che non possono o non dovrebbero essere inclusi per motivi specifici. Ad esempio, "studi con meno di 10 pazienti, set di dati duplicati o studi da cui non è possibile recuperare le informazioni richieste".
- Annotare i dati da estrarre da ogni studio. L'elenco seguente include i dati consigliati (alcuni di essi non sono strettamente necessari, ma la loro assenza impoverirebbe la meta-analisi):
- Identificazione dello studio.
- Dimensioni del campione.
- Il livello di significatività statistica, che è il valore t, il valore z o il valore p utilizzato nello studio per determinare quali voxel erano statisticamente significativi.
- Il software e lo spazio stereotassico. Vedere la Tabella 1 per l'elenco dei pacchetti software e degli spazi stereotassici compresi da SDM-PSI.
- Coordinate e altezza dei picchi. L'altezza di un picco è il suo valore t o valore z, ma è anche utile un valore p.
- Variabili che verranno utilizzate per descrivere i campioni o per eseguire analisi di sottogruppi o meta-regressioni.
- Per aumentare la qualità della recensione, prendere in considerazione seguendo le "Dieci semplici regole per la meta-analisi di neuroimaging"20 e la lista di controllo PRISMA21.
- Per aumentare la trasparenza della revisione, è consigliabile registrare il protocollo in anticipo in un database disponibile pubblicamente, ad esempio PROSPERO (https://www.crd.york.ac.uk/PROSPERO/).
3. Ricerca esaustiva
- Seleziona un set di parole chiave che consentono di trovare qualsiasi studio che possa soddisfare i criteri di inclusione. Ad esempio, le parole chiave potrebbero essere "disturbo ossessivo-compulsivo" più "morfometria", "basato su voxel" o "voxelwise".
- Eseguire la ricerca su database quali PubMed e Web of Science:
- Visitare il sito Web del database, ad esempio https://www.ncbi.nlm.nih.gov/pubmed/ per PubMed.
- Digitare la query di ricerca. Nella meta-analisi di esempio, la query potrebbe essere "disturbo ossessivo-compulsivo" AND ("morfometria" O "voxel-based" OR "voxelwise"). In questa query, l'operatore "AND" significa che gli studi devono avere tutte le parole chiave, l'operatore "OR" significa che gli studi devono avere almeno una delle parole chiave e le parentesi indicano l'ordine di queste operazioni logiche. Pertanto, gli studi recuperati devono avere la parola chiave "disturbo ossessivo-compulsivo" e almeno una delle parole chiave "morfometria", "voxel-based" o "voxelwise". Si noti che sono possibili altre strategie.
- Applicare i criteri di inclusione/esclusione. Ad esempio, dai risultati forniti dai database, selezionare solo gli articoli che analizzano le differenze nel volume della materia grigia tra i pazienti con disturbo ossessivo-compulsivo e i controlli che eseguono studi di morfometria basati su voxel a tutto il cervello, e scartare studi tra cui meno di 10 pazienti e studi che hanno ri-analizzato i dati pubblicati in precedenza.
- Per aumentare l'esaurimento della ricerca, è consigliabile eseguire una ricerca manuale sulle opere di riferimento negli studi selezionati.
- Per massimizzare l'inclusione di studi ed evitare incertezze nella raccolta dei dati, prendere in considerazione l'idea di contattare gli autori corrispondenti per richiedere eventuali dati mancanti o poco chiari.
- Registrare il numero di studi recuperati e il numero di studi esclusi per ogni motivo. Prendere in considerazione la creazione di un diagramma di flusso PRISMA21 con questi numeri.
4. Raccolta dei dati
- Per ogni studio incluso, leggi il manoscritto per trovare i dati specifici da estrarre.
- Salvare i dati dagli studi in modo sistematico, ad esempio digitando i dati in file di foglio di calcolo preformattati. Per ridurre al minimo gli errori di digitazione, è consigliabile copiare e incollare i numeri di interesse e ricontrollare i dati salvati.
- Quando il livello di significatività statistica non è chiaro, prendere in considerazione la seguente raccomandazione:
- Se il manoscritto riporta picchi ottenuti utilizzando due livelli di significatività statistica del cervello intero, ad esempio p-value < 0.001 senza correzione per più confronti (d'ora in poi, "soglia non corretta") e tasso di errore familywise (FWER) < 0.05 (da ora in poi " soglia corretta"), selezionare la soglia non corretta e includere tutti i picchi ottenuti utilizzando questa soglia non corretta. Il motivo per preferire la soglia non corretta è che gli studi di solito ottengono più picchi applicando una soglia non corretta e SDM stima le mappe in modo più accurato se dispone di informazioni da più picchi.
- Se il manoscritto segnala picchi ottenuti utilizzando una soglia non corretta per gli aumenti e una soglia corretta per le diminuzioni (o viceversa), selezionare la soglia non corretta, ma includere solo i picchi ottenuti utilizzando la soglia corretta. Si tratta di un'approssimazione conservativa perché potrebbe scartare alcuni picchi ottenuti utilizzando la soglia non corretta. Un esempio di questa situazione potrebbe essere quando un manoscritto afferma qualcosa come "abbiamo rilevato volumi di materia grigia più grandi corretti da FWER in alcune regioni, mentre non abbiamo rilevato un volume di materia grigia più piccolo in qualsiasi regione anche utilizzando p-value non corretto < 0.001".
- Se gli autori hanno applicato statistiche basate su cluster, utilizzare la soglia di altezza per la formazione di cluster. Si tratta di un'approssimazione conservativa perché alcuni voxel potrebbero avere valori t superiori alla soglia, ma gli autori li hanno scartati perché i loro cluster non erano abbastanza grandi.
- Se il manoscritto non specifica una soglia, utilizzare un valore leggermente inferiore al valore t del picco più piccolo. Il motivo per utilizzare questo valore t è che se gli autori avessero applicato questa soglia di significatività statistica senza richiedere una dimensione minima per i cluster, avrebbero trovato gli stessi picchi.
- Quando si registrano le informazioni di picco, procedere come segue:
- Escludere i picchi ottenuti utilizzando una soglia di significatività statistica che è più liberale rispetto alla soglia selezionata per il resto del cervello. Un esempio di questa situazione è quando gli autori hanno applicato soglie più liberali o correzioni di piccolo volume ad alcune regioni cerebrali a priori.
- Convertire i valori z e p in valori t. Fare clic sul pulsante Converti picchi nel software SDM-PSI per convertirli facilmente. In alternativa, convertirli nello stesso file di foglio di calcolo (ad esempio, "INV.T.1-0.001,34)" per il valore p - 0,001 e 34 gradi di libertà; i gradi di libertà sono la somma delle dimensioni del campione meno il numero di parametri, che in un confronto di due campioni sono due più il numero di covariati utilizzati nel confronto originale).
- Utilizzare valori t positivi per i picchi di aumento (ad esempio, l'attivazione) e i valori t negativi per i picchi di diminuzione (ad esempio, la disattivazione). Vedere la tabella 2 per istruzioni su come decidere il segno dei valori t.
NOTA: Abbiamo ottenuto informazioni da studi "Heuvel" e "Soriano-Mas" dopo la comunicazione personale.
5. Introduzione dei dati in SDM-PSI
- Aprire SdmPsiGui e chiudere la finestra di avvio informazioni (evitare di avere premuto un tasto durante la chiusura).
- Fare clic sul pulsante Modifica meta-analisi nella parte superiore sinistra dell'interfaccia grafica per selezionare una directory per la meta-analisi (qualsiasi nuova directory vuota di scelta farà).
- Fare clic sul pulsante Editor tabella SDM per immettere informazioni generali dagli studi, tra cui l'identificazione (colonna "studio"), le dimensioni del campione (colonne "n1" e "n2"), il valore t utilizzato come soglie statistiche (colonna "t_thr" e altre variabili potenziali per condurre analisi di sottogruppi o meta-regressioni.
- All'interno della directory selezionata, creare un file di testo per ogni studio con le coordinate e il valore t di ogni picco:
- Aprire un editor di testo per creare un file di testo denominato come [l'identificazione dello studio] - "." - "." - [il software] - "_" - [lo spazio stereotassico] - ".txt". Ad esempio, per lo studio "Carmona" condotto con SPM e che riporta le coordinate nello spazio MNI, il nome del file di testo deve essere "Carmona.spm_mni.txt". Se lo studio non ha picchi, il software e lo spazio stereotassico possono essere sostituiti da "no_peaks".
- Scrivere le coordinate e il valore t di ogni picco in una riga diversa. Ad esempio, le prime righe del file di testo "Carmona.spm_mni.txt" devono essere:
40,39,21,-5.14
53,27,21,-3.77
56,23,20,-3.63
6. Pre-elaborazione
- Fare clic sul pulsante Pre-elaborazione nella barra dei menu a sinistra, selezionare la modalità degli studi nella casella di riepilogo "Modalità" e premere OK. Nella meta-analisi di esempio, la modalità è "VBM – gray matter".
- Attendere (alcuni minuti) mentre SDM-PSI calcola le mappe dei limiti inferiore e superiore delle potenziali dimensioni degli effetti. SdmPsiGui mostrerà quattro barre di stato che mostrano lo stato dell'esecuzione e il tempo rimanente previsto per il processo corrente. Durante i calcoli, il colore del cerchio accanto a "Stato di elaborazione" sarà giallo e diventerà verde se l'esecuzione termina correttamente o in rosso se non riesce.
7. Analisi principale
- Fare clic sul pulsante Media nella barra dei menu a sinistra e premere OK.
- Attendere (alcuni minuti) mentre SDM-PSI esegue l'imputazione multipla e la meta-analisi (Figura 1).
- Fare clic sul pulsante Soglia nella casella degli strumenti del menu a sinistra, selezionare i valori p non corretti dell'analisi principale ("MyTest_uncorrp" per impostazione predefinita) e premere OK. SDM-PSI aprirà automaticamente sia MRICron per visualizzare i risultati che una pagina web con un rapporto dettagliato di essi.
- Premere il pulsante di correzione FWE nella casella degli strumenti del menu a sinistra, selezionare l'analisi principale nella casella di riepilogo ("MyTest" per impostazione predefinita) e premere OK.
- Attendere (alcune ore o addirittura giorni) mentre SDM-PSI esegue il test di permutazione.
- Fare clic sul pulsante Soglia nella casella degli strumenti del menu a sinistra, selezionare la correzione TFCE dell'analisi principale ("MyTest_corrp_tfce" per impostazione predefinita) e premere OK. SDM-PSI aprirà automaticamente sia MRICron per visualizzare i risultati che una pagina web con un rapporto dettagliato di essi.
8. Eterogeneità, pregiudizio di pubblicazione e classificazione
- Fare clic sul pulsante Estrai nella casella degli strumenti del menu a sinistra, selezionare un picco dall'analisi principale ("MyTest_z_p_0.05000_10_neg_peak1" per impostazione predefinita) e premere OK. SDM-PSI aprirà automaticamente una pagina web con le statistiche di questo picco. Annotare l'eterogeneità I2 statistica.
- Fare clic sul pulsante Test di bias nella casella degli strumenti del menu a sinistra, selezionare un picco dall'analisi principale ("MyTest_z_p_0.05000_10_neg_peak1" per impostazione predefinita) e premere OK. SDM-PSI aprirà automaticamente una pagina web con un grafico a imbuto e i risultati di un test per un effetto di piccolo studio e un test per il significato in eccesso. Il primo verifica se c'è asimmetria nel grafico a imbuto (cioè, maggiore entità degli effetti nei piccoli studi), il che potrebbe indicare che piccoli studi vengono pubblicati solo se trovano grandi dimensioni degli effetti o altre fonti di bias. Questi ultimi verificano se il numero di studi con risultati statisticamente significativi è maggiore del previsto, il che potrebbe indicare che gli studi vengono pubblicati solo se trovano risultati statisticamente significativi o altre fonti di bias.
- Premere il pulsante Scarpata evidenza dalla casella degli strumenti superiore, selezionare l'analisi principale ("MyTest" per impostazione predefinita) dalla casella di riepilogo e premere OK. Dopo alcuni secondi, SDM-PSI aprirà automaticamente MRICron per mostrare le classi di prova.
Representative Results
Come mostrato nella mappa aperta nella risonanza magnetica quando si soglia l'analisi principale (Figura 2, passaggio 7.6), i pazienti con oCD avevano statisticamente un volume di materia grigia significativamente più piccolo nella corteccia frontale anteriore/mediale dorsale. I dettagli della pagina web che il cluster è moderatamente piccolo (143 voxel) e si trova principalmente nell'area di Brodmann 32, e che il picco del cluster è a MNI [2, 32, 32], ha un valore z di -4,97 e un valore p corretto FWER di 0,01.
Nelle pagine web ottenute nei passaggi 8.1 e 8.2, la statistica bassa I2 (1,5%) indica un'eterogeneità molto piccola, il grafico a imbuto non mostra asimmetrie (Figura 3) e sia il test per l'effetto di piccolo studio che il test per l'eccesso di significato sono negativi. Tuttavia, l'evidenza di un minore volume di materia grigia nella corteccia di cingolata anteriore dorsale è moderatamente debole, come mostrato nella mappa aperta nella risonanza magnetica quando si valutano le prove, soprattutto a causa della limitata quantità di dati.
Quando l'analisi principale è stata sogliata utilizzando un livello di significatività statistica meno rigoroso (passaggio 7.3), i pazienti hanno anche mostrato un volume di materia grigia significativamente significativamente più grande nello striato e un giro parietale superiore (valori p non corretti - 0,00006 e 0,0002 rispettivamente), ma l'evidenza di queste anomalie dovrebbe essere considerata più debole.
Figura 1: finestra principale dell'interfaccia utente grafica SDP-PSI durante l'esecuzione media. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 2: Regioni con un volume di materia grigia statisticamente significativamente più piccolo nei pazienti con disturbo ossessivo-compulsivo rispetto ai controlli sani corrispondenti.
Il gruppo di rilevanza statistica copre 143 voxel, ha il suo picco a MNI [2,32,32] e comprende per lo più la corteccia frontale dorsale anteriore, l'area di Brodmann 32. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 3: trama a imbuto per il picco del cluster di volume di materia grigia statisticamente significativamente più piccolo nella corteccia di cingolato anteriore dorsale. Fare clic qui per visualizzare una versione più grande di questa figura.
| Pacchetti software | Codifica in SDM |
| Mapping parametrico statistico (SPM) | Spm |
| Libreria software FMRIB (FSL) | Fsl |
| Altri pacchetti | Altro |
| Spazio stereotassico | Codifica in SDM |
| Istituto Neurologico di Montreal (MNI) | Mni |
| Talairach crudo | tal |
| MNI convertito in Talairach utilizzando La trasformazione Brett | Brett |
Tabella 1: Elenco dei pacchetti software e degli spazi stereotattici compresi da SDM-PSI.
| I valori t devono essere positivi quando: | I valori t devono essere negativi quando:T-values must be negative when: | |
| Studi fMRI su un campione | attività > linea di base (attivazione) | attività < linea di base (disattivazione) |
| Studi fMRI a due campioni | pazienti > controlli nell'attività > linea di base (iper-attivazione) | pazienti < controlli nell'attività > linea di base (ipo-attivazione) |
| pazienti < controlli nell'attività < linea di base (fallimento della disattivazione) | pazienti > controlli nell'attività < linea di base (iper-disattivazione) | |
| Studio VBM / FA a due campioni | pazienti > controlli (volume maggiore / FA) | pazienti < controlli (volume più piccolo / FA) |
Tabella 2: Segno dei valori t dei picchi.
Discussion
Come introdotto in precedenza, la maggior parte dei metodi metaanalitici basati su voxel utilizzano un test per la convergenza dei picchi che presenta alcune limitazioni e quindi conducono una classificazione binaria dell'evidenza esclusivamente basata su valori p.
In questo protocollo, abbiamo descritto in dettaglio come condurre una meta-analisi basata su voxel utilizzando SDM-PSI, che ha una serie di caratteristiche positive tra cui un test di permutazione standard per valutare il significato statistico degli effetti. Inoltre, mostriamo come la forza dell'evidenza può essere classificata utilizzando una serie di criteri che vanno oltre una classificazione binaria che si basa esclusivamente su un livello statistico di significatività.
Per facilitare la replica della meta-analisi di esempio, forniamo i dati già estratti dai manoscritti da una precedente meta-analisi. È interessante notare che, nel manoscritto di quella meta-analisi, l'evidenza "sembrava" più forte delle prove che abbiamo trovato con i metodi aggiornati. Suggeriamo pertanto che le valutazioni non sistematiche delle prove nelle precedenti meta-analisi basate su voxel siano prese con cautela.
Ci auguriamo che, seguendo questo protocollo, le meta-analisi di neuroimaging forniscano una descrizione più ricca e granulata delle prove dei risultati di neuroimaging.
Disclosures
Gli autori non hanno nulla da divulgare.
Acknowledgments
Questo lavoro è stato sostenuto da Miguel Servet Research Contract MS14/00041 e Research Project PI14/00292 dal Piano Nacional de I'D'i 2013-2016, l'Instituto de Salud Carlos III-Subdirecciàn General de Evaluaciàn y Fomento de la Investigaciàn, il Fondo europeo di sviluppo regionale (FEDER), e dal contratto premedico PFIS FI16/00311. I finanziatori non hanno avuto alcun ruolo nella progettazione e nella conduzione dello studio; la raccolta, la gestione, l'analisi e l'interpretazione dei dati; preparazione, revisione o approvazione del manoscritto; e la decisione di presentare il manoscritto per la pubblicazione.
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).
