Vi detalj hvordan å gjennomføre en meta-analyse av Voxel-baserte neuroimaging studier ved hjelp av Seed-basert d kartlegging med Permutasjon av faget bilder (SDM-PSI).
De fleste metoder for å gjennomføre meta-analyse av Voxel-baserte neuroimaging studier ikke vurdere om effekter ikke er null, men om det er en konvergens av toppene av statistisk betydning, og redusere vurderingen av bevisene til en binær klassifisering utelukkende basert på p-verdier (dvs. voxels kan bare være “statistisk signifikant” eller “ikke-statistisk signifikante”). Her, vi detalj hvordan du skal gjennomføre en meta-analyse ved hjelp Seed-basert d kartlegging med Permutasjon av bilder (SDM-PSI), en ny metode som bruker en standard permutasjon test for å vurdere om effektene er ikke null. Vi viser også hvordan å vurdere styrken på bevisene i henhold til et sett av kriterier som vurderer en rekke statistiske betydning nivåer (fra mer liberale til mer konservative), mengden av data eller påvisning av potensielle skjevheter (f. eks små-studien effekt og overflødig av betydning). For å eksempler på prosedyren, detalj vi gjennomføring av en meta-analyse av Voxel-baserte morphometry studier i Tvangslidelser, og vi gir alle data som allerede er Hentet fra manuskripter å tillate leseren å gjenskape meta-analyse Lett. SDM-PSI kan også brukes til meta-analyser av funksjonell magnetisk resonans imaging, diffusjon tensor Imaging, posisjon utslipps tomografi og overflate-baserte morphometry studier.
Siden innføringen av magnetisk resonans imaging, neuroimaging samfunnet har publisert tusenvis av studier av nevrale underlag av psykologiske funksjoner og nevropsykiatriske lidelser. For å oppsummere disse funnene, har flere metoder blitt utviklet1,2,3,4,5,6. Opprinnelige Voxel neuroimaging studier rapporterer koordinatene til toppene av statistisk betydning (f. eks, i en sammenligning av grå materie volum mellom pasienter og kontroller), og meta-analytiske metoder ofte vurdere om det er konvergens av topper i visse områder i hjernen.
Men vi har tidligere vist at disse testene for konvergens av toppene er avhengige av delikate forutsetninger som kan påvirke mønstrene av meta-analyseresultater og deres statistiske betydning7. Spesielt disse testene anta at voxels er uavhengige og at de har samme sannsynligheten for en “False” peak, mens i ekte grå materie, voxels relatere med sine naboer og sannsynligheten for at en Voxel har en “False” peak avhenger av dens vev sammensetning. I tillegg er de også omfatte paradokser som at den statistiske makten øker i nærvær av få sanne effekter, og avtar når det er flere sanne effekter.
For å løse disse problemene, utviklet vi en metode som imputes hjernen kart av statistiske effekter for hver studie, og deretter gjennomfører en standard Random-Effects meta-analyse for å formelt teste om virkningene er forskjellig fra null. Denne metoden kalles “Seed-basert d Mapping med Permutasjon av emne bilder” (SDM-PSI)8 og dens viktigste funksjoner inkluderer:
Vi har detaljert og fullt validert SDM metoder andre steder4,8,10,13,14.
I tillegg anbefaler vi ikke å stole på en binær klassifisering av voxels basert på nivået av statistisk betydning (signifikant kontra ikke signifikant), men omvendt, vurdere styrken på bevisene ved hjelp av et sett med kriterier22. Den binære statistisk betydning reduksjonisme fører til dårlig kontroll av falske positive og falske negative priser15, mens kriteriene brukerområder av statistisk betydning nivåer og ta hensyn til mengden av data eller potensielle fordommer. SDM-PSI-programvaren returnerer de nødvendige elementene for å gjennomføre en slik klassifisering8 og dermed kan de brukes til å ha råd til en mer detaljert klassifisering av styrken på bevisene.
Her viser vi hvordan man gjennomfører en meta-analyse av Voxel-baserte neuroimaging studier ved hjelp av SDM-PSI. For å være eksempler på protokollen, bruker vi data fra en publisert meta-analyse av Voxel morphometry studier som undersøkte grå materie unormalt hos pasienter med Tvangslidelser (OCD)4. Men vi vil ikke bruke de metoder som brukes i den tidlige meta-analyse, men de nevnte State-of-the-art prosedyrer. Leseren kan laste ned programvaren og disse dataene fra vår hjemmeside (http://www.sdmproject.com/) for å gjenskape analysen.
Alle forskere som har som mål å gjennomføre en meta-analyse av Voxel-baserte neuroimaging studier kan følge denne protokollen. Metoden kan brukes med funksjonell magnetisk resonans imaging (fMRI, for eksempel fet respons på en stimulans)16, Voxel-baserte MORPHOMETRY (VBM, f. eks, grå materie volum)17, DIFFUSJON tensor Imaging (DTI, f. eks brøk anisotropien)18, posisjon utslipps tomografi (pet, for eksempel, reseptor occupancy)19 og overflate-baserte morphometry (SBM, f. eks kortikale tykkelse) studier/datasett.
Som innført tidligere, de fleste Voxel-baserte meta-analytiske metoder bruker en test for konvergens av topper som har noen begrensninger, og deretter gjennomføre en binær klassifisering av bevisene utelukkende basert på p-verdier.
I denne protokollen, vi detaljert hvordan du utfører en Voxel-basert meta-analyse ved hjelp av SDM-PSI, som har en rekke positive funksjoner, inkludert en standard permutasjon test for å vurdere den statistiske betydningen av effektene. I tillegg viser vi hvordan styrken på bevisene kan vurderes ved hjelp av et sett med kriterier som går utover en binær klassifisering som utelukkende er avhengig av ett statistisk viktighetsnivå.
For å lette replikering av eksempelet meta-analyse, gir vi dataene allerede Hentet fra manuskripter fra en tidligere meta-analyse. Interessant, i manuskriptet av at meta-analyse, bevisene “virket” sterkere enn bevisene som vi fant med den oppdaterte metoder. Vi anbefaler derfor at unsystematic evalueringer av bevisene i tidligere Voxel-baserte meta-analyser tas med forsiktighet.
Vi håper at etter denne protokollen, neuroimaging meta-analyser gir en rikere og mer granulat beskrivelse av bevis for neuroimaging funn.
The authors have nothing to disclose.
Dette arbeidet ble støttet av Miguel Servet Research Contract MS14/00041 and Research Project PI14/00292 fra plan Nacional de I + D + I 2013 – 2016, Instituto de salud Carlos III-Subdirección General de Evaluación y Fomento de la Investigación, det europeiske Regional Development Fund (FEDER), og ved PFIS postgradualt Contract FI16/00311. Oppdragsgivers hadde ingen rolle i utformingen og gjennomføringen av studien; innsamling, forvaltning, analyse og tolkning av dataene; Forberedelse, gjennomgang eller godkjennelse av manuskriptet; og beslutningen om å sende manuskriptet for publisering.