Vi detalj hur man genomför en meta-analys av Voxel-baserade neuroimaging studier med hjälp av utsäde-baserade d kartläggning med permutation av motiv bilder (SDM-PSI).
De flesta metoder för att genomföra meta-analys av Voxel-baserade neuroimaging studier inte bedöma om effekterna är inte null, men om det finns en konvergens av toppar av statistisk signifikans, och minska bedömningen av bevisen till en binär klassificering enbart baserat på p-värden (dvs. voxels kan endast vara “statistiskt signifikant” eller “icke-statistiskt signifikant”). Här, vi detalj hur man genomför en meta-analys med hjälp av utsäde-baserade d kartläggning med permutation av motiv bilder (SDM-PSI), en ny metod som använder en standard permutation test för att bedöma om effekter är inte null. Vi visar också hur man gradera styrkan av bevisen enligt en uppsättning kriterier som anser en rad statistiska signifikansnivå (från mer liberal till mer konservativ), mängden data eller upptäckten av potentiella fördomar (t. ex. liten studie effekt och överskott av betydelse). För att exemplifiera förfarandet, vi detalj ledning av en meta-analys av Voxel-baserade morfometri studier i tvångssyndrom, och vi ger alla data som redan utvinns ur manuskripten att låta läsaren att replikera meta-analys Lätt. SDM-PSI kan också användas för meta-analyser av funktionell magnetisk resonanstomografi, diffusion tensor imaging, position emissions datortomografi och ytbaserade morfometri studier.
Sedan introduktionen av magnetisk resonanstomografi, neuroimaging samfundet har publicerat tusentals studier av neurala substrat för psykologiska funktioner och neuropsykiatriska störningar. För att sammanfatta dessa fynd har flera metoder utvecklats1,2,3,4,5,6. Ursprungliga Voxel-baserade neuroimaging studier rapporterar koordinaterna för topparna av statistisk signifikans (t. ex. i en jämförelse av grå substans volym mellan patienter och kontroller), och meta-analytiska metoder vanligtvis bedöma om det finns konvergens av toppar i vissa regioner i hjärnan.
Vi har dock tidigare visat att dessa tester för konvergens av toppar är beroende av känsliga antaganden som kan påverka mönstren för metaanalys resultat och deras statistiska signifikans7. Specifikt, dessa tester förutsätter att voxels är oberoende och att de har samma sannolikhet för en “falsk” topp, medan i verkliga grå materia, voxels korrelerar med sina grannar och sannolikheten att en Voxel har en “falsk” topp beror på dess vävnadssammansättning. Dessutom omfattar de också paradoxer som att den statistiska effekten ökar i närvaro av få sanna effekter, och minskar när det finns flera sanna effekter.
För att övervinna dessa problem, vi utvecklat en metod som tillräknar hjärnan kartor över statistiska effekter för varje studie och sedan genomför en standard slumpmässiga effekter meta-analys för att formellt testa om effekterna skiljer sig från noll. Denna metod kallas “Seed-baserade d kartläggning med permutation av motiv bilder” (SDM-PSI)8 och dess viktigaste funktioner är:
Vi har detaljerade och fullt validerade SDM metoder någon annanstans4,8,10,13,14.
Dessutom föreslår vi att inte förlita sig på en binär klassificering av voxels baserat på nivån av statistisk signifikans (betydande kontra inte signifikant) men, omvänt, bedöma styrkan av bevisen med hjälp av en uppsättning kriterier22. Den binära statistisk signifikans reduktionism leder till dålig kontroll av de falska positiva och falska negativa talen15, medan kriterierna använder olika statistiska signifikansnivåer och tar hänsyn till mängden data eller potentiella fördomar. Den SDM-PSI programvaran returnerar de nödvändiga elementen för att genomföra en sådan klassificering8 och därmed de kan användas för att ge en mer detaljerad klassificering av styrkan i bevisen.
Här visar vi hur man genomför en meta-analys av Voxel-baserade neuroimaging studier med SDM-PSI. För att exemplifiera protokollet, använder vi data från en publicerad meta-analys av Voxel-baserade morfometri studier som undersökt grå substans avvikelser hos patienter med tvångssyndrom (OCD)4. Men vi kommer inte att använda de metoder som används i denna tidiga meta-analys, men de ovan nämnda State-of-the-art förfaranden. Läsaren kan ladda ner programvaran och dessa data från vår hemsida (http://www.sdmproject.com/) för att replikera analysen.
Alla forskare som strävar efter att genomföra en meta-analys av Voxel-baserade neuroimaging studier kan följa detta protokoll. Metoden kan användas med funktionell magnetisk resonanstomografi (fMRI, t. ex. djärvt svar på en stimulans)16, Voxel-baserade morphometri (VBM, e.g., grå materievolym)17, diffusion tensor avbildning (DTI, e.g., Fractional Anisotropy)18, placera emissions tomografi (PET, e.g., receptor beläggning)19 och ytbaserad morphometri (SBM, t. ex. kortikal tjocklek) studier/DataSet.
Som infördes tidigare, de flesta Voxel-baserade meta-analytiska metoder använder ett test för konvergens av toppar som har vissa begränsningar, och sedan genomföra en binär klassificering av bevis uteslutande baserat på p-värden.
I detta protokoll, vi detaljerade hur man genomför en Voxel-baserad meta-analys med SDM-PSI, som har ett antal positiva funktioner, inklusive en standard permutation test för att bedöma den statistiska betydelsen av effekterna. Dessutom visar vi hur styrkan i bevisen kan bedömas med hjälp av en uppsättning kriterier som går utöver en binär klassificering som enbart förlitar sig på en statistisk signifikansnivå.
För att underlätta replikeringen av exempel meta-analysen tillhandahåller vi de data som redan extraherats från manuskripten från en tidigare meta-analys. Intressant, i manuskriptet till denna meta-analys, bevisen “verkade” starkare än de bevis som vi hittade med de uppdaterade metoderna. Vi föreslår därför att osystematiska utvärderingar av bevisen i tidigare Voxel-baserade meta-analyser tas med försiktighet.
Vi hoppas att efter detta protokoll, neuroimaging meta-analyser ger en rikare och mer granulat Beskrivning av bevisen för neuroimaging fynd.
The authors have nothing to disclose.
Detta arbete stöddes av Miguel Servet forskningskontrakt MS14/00041 och forskningsprojekt PI14/00292 från planen Nacional de I + D + I 2013 – 2016, Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de La Investigación, Europeiska regionala utvecklingsfonden (FEDER), och genom PFIS Predoktors kontrakt FI16/00311. Finansiärer hade ingen roll i utformningen och genomförandet av studien; insamling, hantering, analys och tolkning av uppgifterna. förberedelse, granskning eller godkännande av manuskriptet; och beslut om att lämna in manuskriptet för publicering.