Özet

Konu Görüntülerinin Permütasyonu ile Tohum Bazlı d Haritalama Kullanılarak Voxel Tabanlı Nörogörüntüleme Çalışmalarının Meta-analizi (SDM-PSI)

Published: November 27, 2019
doi:

Özet

Konu Görüntülerinin Permütasyonu (SDM-PSI) ile Tohum bazlı d Haritalama kullanarak voksel bazlı nörogörüntüleme çalışmalarının meta-analizini nasıl yapacağımızı ayrıntılı olarak anlatıyoruz.

Abstract

Voksel tabanlı nörogörüntüleme çalışmalarının meta analizini yapmak için kullanılan yöntemlerin çoğu, etkilerin null olup olmadığını, istatistiksel anlamlılık zirvelerinin yakınsaması olup olmadığını değerlendirmez ve kanıtların değerlendirilmesini ikili sınıflandırmaya düşürür. sadece p-değerlerine dayalıdır (yani voxel’ler sadece “istatistiksel olarak anlamlı” veya “istatistiksel olmayan anlamlı” olabilir). Burada, etkilerinull olup olmadığını değerlendirmek için standart bir permütasyon testi kullanan yeni bir yöntem olan Konu Görüntülerinpermütasyonu (SDM-PSI) ile Tohum tabanlı d Haritalama kullanarak bir meta-analiz nasıl yapılacağını ayrıntıları. Ayrıca, istatistiksel anlamlılık düzeylerini (daha liberalden daha muhafazakara), veri miktarını veya potansiyel önyargıların saptanmasını (örn. küçük çalışma etkisi) dikkate alan bir dizi kritere göre kanıtların gücünü nasıl derecelendirebileceğimizi de gösteriyoruz. ve önemi aşırı). Prosedürü örneklemek için, obsesif kompulsif bozuklukta voksel bazlı morfometri çalışmalarının meta-analizinin iletimini ayrıntılarıyla anlatıyoruz ve okuyucunun meta analizi ni çoğaltması için el yazmalarından elde edilen tüm verileri sağlıyoruz. Kolay -ca. SDM-PSI ayrıca fonksiyonel manyetik rezonans görüntüleme, difüzyon tensor görüntüleme, pozisyon emisyon tomografisi ve yüzey bazlı morfometri çalışmalarının meta-analizlerinde de kullanılabilir.

Introduction

Manyetik rezonans görüntülemenin başlamasından bu yana, nörogörüntüleme topluluğu psikolojik fonksiyonlar ve nöropsikiyatrik bozuklukların nöral yüzeyleri hakkında binlerce çalışma yayınlamıştır. Bu bulguları özetlemek gerekirse,çeşitliyöntemler geliştirilmiştir 1,2,3,4,5,6. Orijinal voxel tabanlı nörogörüntüleme çalışmaları istatistiksel anlamlılık zirvelerinin koordinatlarını rapor rapor (örneğin, hastalar ve kontroller arasında gri madde hacminin karşılaştırılmasında) ve meta-analitik yöntemler genellikle bazı beyin bölgelerinde zirvelerin yakınsaması olup olmadığını değerlendirmek.

Ancak, daha önce zirvelerin yakınsama için bu testler meta-analiz sonuçları ve istatistiksel önemi7kalıpları etkileyebilecek hassas varsayımlar güveniyor göstermiştir. Özellikle, bu testler voxels bağımsız olduğunu varsayalım ve bir “yanlış” tepe aynı olasılık varsaymak, gerçek gri madde ise, voxels komşuları ile ilişkili ve bir voxel bir “yanlış” tepe olması olasılığı doku kompozisyonuna bağlıdır. Buna ek olarak, onlar da istatistiksel güç birkaç gerçek etkileri varlığında artar gibi paradokslar kapsar ve birden fazla gerçek etkileri olduğunda azalır.

Bu sorunların üstesinden gelmek için, her çalışma için istatistiksel etkilerin beyin haritalarını ortaya koyan ve daha sonra etkileri sıfırdan farklı olup olmadığını resmi olarak test etmek için standart bir rasgele etki meta-analizi gerçekleştiren bir yöntem geliştirdik. Bu yöntem “Konu Görüntülerinpermütasyonu ile Tohum tabanlı d Haritalama” (SDM-PSI)8 olarak adlandırılır ve ana özellikleri şunlardır:

  • Çelişkili bulgularınbirbiriniiptal edebilsin diye faiz sonucunun hem artış hem de azalışlarının (örn. aktivasyon ve devre dışı bırakma) muhasebeleştirilmesi;
  • Güvenirliği ve performansı artıran rasgele efekt modellemesi ile etki boyutu tahminlerinin kullanımı9;
  • Mevcut 3B istatistiksel görüntülerin (yani, t-test değerlerinin haritaları) eşzamanlı olarak dahil edilme potansiyeli10;
  • Konu bazlı permütasyon testleri FSL “randomize” aracı11ile aynı;
  • Eşiksiz küme geliştirme (TFCE) istatistiklerinin kullanımı12.

Biz ayrıntılı ve tam olarak başka bir yerde4,8,10,13,14SDM yöntemleri doğruladı.

Buna ek olarak, voxels istatistiksel anlamlılık düzeyine göre bir ikili sınıflandırma güvenmemenizi öneririz (önemli vs önemli değil) ama, tersine, kriterleri bir dizi kullanarak kanıt gücünü değerlendirmek22. İkili istatistiksel anlamlılık indirgemesi yanlış pozitif ve yanlış negatif oranların kötü kontrolüne yol açar15,kriterler ise istatistiksel anlamlılık düzeyleriaralıklarını kullanır ve veri miktarını veya potansiyel önyargıları dikkate alır. SDM-PSI yazılımı böyle bir sınıflandırma8 yapmak için gerekli unsurları döndürür ve böylece kanıt gücünün daha ayrıntılı bir sınıflandırma göze istihdam edilebilir.

Burada SDM-PSI kullanarak voksel bazlı nörogörüntüleme çalışmalarının meta-analizini nasıl yapacağımızı gösteriyoruz. Protokolü örneklemek için, obsesif kompulsif bozukluğu (OKB) olan hastalarda gri madde anormalliklerini araştıran voksel bazlı morfometri çalışmalarının yayınlanmış meta-analizinden elde edilen verileri kullanıyoruz4. Ancak, bu erken meta-analizde kullanılan yöntemleri değil, yukarıda bahsedilen son teknoloji prosedürleri kullanacağız. Okuyucu analiz çoğaltmak için web sitemizden yazılım ve bu verileri indirebilirsiniz(http://www.sdmproject.com/).

Voksel bazlı nörogörüntüleme çalışmalarının meta-analizini yapmayı amaçlayan tüm araştırmacılar bu protokolü takip edebilirler. Bu yöntem fonksiyonel manyetik rezonans görüntüleme (fMRI, örneğin, bir uyarıcıya BOLD yanıtı)16, voksel bazlı morfometri (VBM, örneğin, gri madde hacmi)17, difüzyon tensor görüntüleme (DTI, örneğin, fraksiyonel asiztropi)18, pozisyon emisyon tomografisi (PET, örneğin, reseptör doluluk)19 ve yüzey tabanlı morfometri (SBM, örneğin kortikal kalınlık) çalışmaları/veri setleri.

Protocol

1. SDM-PSI Kurulumu Bilgisayarın işletim sistemi için SDM-PSI sürümünü ZIP dosyası olarak indirmek için https://www.sdmproject.com/software/ gidin. ZIP dosyasını dekomprese edin. Sorunları önlemek için, yolunda boş alanlar olmadan yerel bir klasör içinde decompress. SDM-PSI’nın grafik arabirimini çalıştırmak için SdmPsiGui dosyasını tıklatın ve otomatik olarak açılacak Olan Sıçrama hakkında pencereyi kapatın. SdmPsiGui gerekli tüm yolları bulamazsa, otomatik olarak tercihler penceresini görüntülemek için sunacak. Evet tuşunabasın. MrICron bilgisayara yüklü değilse zip dosyası olarak bilgisayarın işletim sistemi için sürümünü indirmek ve ZIP dosyası decompress https://www.nitrc.org/frs/?group_id=152 gidin. Tercihler penceresinin Beyin görüntüleyici sekmesinde, Brain görüntüleyicinin MRICronolarak ayarlandığından emin olun ve MRICron’u çalıştırılabilir bulmak için Çalıştırılabilen Brain görüntüleyicinin yanındaki klasör simgesini tıklatın. Farklı sekmelerde kalan tüm yolların, yolların doğru olduğunu gösteren mavi işaretler olduğundan emin olun. SdmPsiGui’nin tercihler penceresini otomatik olarak görüntülemediğini göz önünde bulundurun, Araçlar menüsüne gidin ve Tercihler’itıklatın. Çok Iş Parçacığı sekmesinde, hesaplamalarda kullanılacak eşzamanlı iş parçacığı sayısını belirtin. Bazı SDM-PSI hesaplamaları çok uzun zaman alır (saatler ile günler arası) ve büyük miktarda RAM belleği tüketir (yüzlerce megabayttan gigabaytlara kadar). Birden çok iş parçacığı (paralel işleme) kullanımı önemli ölçüde zaman azalır ama kullanılan bellek artırır. Tercihler penceresini ve SdmPsiGui’yi kapatın. 2. Meta-analiz planı Kesin bir soru belirtin. Örneğin, “OKB’li hastalarda gri madde hacmi bölgesel anormallikleri var mı?” Çalışmaların sistematik bir şekilde dahil edilmesine olanak tanıyan net dahil etme kriterleri yazın. Örneğin, “OKB ve sağlıklı kontrolleri olan bireyler arasında gri madde hacminin tüm beyin voxel tabanlı karşılaştırma yapılan tüm çalışmalar”. Belirli nedenlerle dahil edilemeyen veya dahil edilmemesi gereken çalışmaların sistematik bir şekilde dışlanmasına olanak tanıyan açık dışlama kriterleri yazın. Örneğin, “10’dan az hasta, yinelenen veri kümeleri veya gerekli bilgilerin alınamadığı çalışmalarla yapılan çalışmalar”. Her çalışmadan elde etmek için verileri yazın. Aşağıdaki liste önerilen verileri içerir (bazıları kesinlikle gerekli değildir, ancak bunların yokluğu meta-analiz yoksullaştırmak istiyorsunuz): Çalışmanın kimliği. Örnek boyutları. Çalışmada hangi voksellerin istatistiksel olarak anlamlı olduğunu belirlemek için kullanılan t değeri, z değeri veya p-değeri olan istatistiksel anlamlılık düzeyi. Yazılım ve stereotaktik alan. SDM-PSI tarafından anlaşılan yazılım paketleri ve stereotaktik alanlar listesi için Tablo 1’e bakın. Zirvelerin koordinatları ve yüksekliği. Bir tepenin yüksekliği t değeri veya z değeridir, ancak p değeri de yararlıdır. Örnekleri tanımlamak veya alt grup analizleri veya meta-regresyon yapmak için kullanılacak değişkenler. İncelemenin kalitesini artırmak için, “Nörogörüntüleme meta-analiz için on basit kurallar”20 ve PRISMA kontrol listesi21aşağıdaki düşünün. İncelemenin saydamlığı artırmak için, protokolü PROSPERO (https://www.crd.york.ac.uk/PROSPERO/)gibi herkese açık bir veritabanına önceden kaydetmeyi düşünün. 3. Kapsamlı arama İçerme ölçütlerini karşılayacak herhangi bir çalışmayı bulmayı sağlayan bir anahtar kelime kümesi seçin. Örneğin, anahtar kelimeler “obsesif-kompulsif bozukluk” artı “morfometri”, “voxel tabanlı” veya “voxelwise” olabilir. PubMed ve Web of Science gibi veritabanlarında arama yapın: PubMed için https://www.ncbi.nlm.nih.gov/pubmed/ gibi veritabanı web sitesine gidin. Arama sorgusunu yazın. Örnek meta-analizde, sorgu “obsesif-kompulsif bozukluk” VE (“morfometri” VEYA “voxel tabanlı” VEYA “voxelwise”) olabilir. Bu sorguda, “AND” işleci, çalışmaların tüm anahtar kelimelere sahip olması gerektiği, işleticinin “VEYA” olması, çalışmaların anahtar kelimelerden en az birine sahip olması gerektiği ve parantezlerin bu mantıksal işlemlerin sırasını gösterdiği anlamına gelir. Bu nedenle, alınan çalışmalarda “obsesif-kompulsif bozukluk” anahtar kelimesi ve “morfometri”, “voxel tabanlı” veya “voxelwise” anahtar kelimelerinden en az birinin olması gerekir. Diğer stratejilerin mümkün olduğunu unutmayın. Dahil etme/dışlama kriterlerini uygulayın. Örneğin, veritabanları tarafından sağlanan sonuçlardan, sadece obsesif-kompulsif bozukluğu olan hastalar ve tüm beyin voksel tabanlı morfometri çalışmaları yapan kontroller arasındaki gri madde hacmi farklılıkları analiz makaleleri seçin ve daha önce yayınlanan verileri yeniden analiz 10’dan az hasta ve çalışmalar da dahil olmak üzere çalışmaları atın. Aramanın ayrıntılılığını artırmak için, seçilen çalışmalarda başvurulan çalışmalar üzerinde manuel arama yapmayı düşünün. Çalışmaların dahil edilmesini en üst düzeye çıkarmak ve veri toplamadaki belirsizliği önlemek için, eksik veya belirsiz verileri istemek için ilgili yazarlarla iletişime geçin. Alınan çalışma sayısını ve her bir nedenden dolayı dışlanan çalışma sayısını kaydedin. Bu sayılarla bir PRISMA akış diyagramı21 oluşturmayı düşünün. 4. Verilerin toplanması Dahil edilen her çalışma için, ayıklamak için belirli verileri bulmak için el yazması okuyun. Verileri sistematik olarak çalışmalardan kaydedin, örneğin verileri önceden biçimlendirilmiş elektronik tablo dosyalarına yazarak. Yazım hatalarını en aza indirmek için, ilgi sayısını kopyalamayı ve yapıştırmayı ve kaydedilen verileri iki kez denetlemeyi düşünün. İstatistiksel anlamlılık düzeyi belirsiz olduğunda, aşağıdaki önerileri göz önünde bulundurun: Eğer el yazması, p-value < 0.001 gibi iki tam beyin istatistiksel anlamlılık düzeyi kullanılarak elde edilen zirveleri birden fazla karşılaştırma (bundan böyle düzeltilmemiş eşik) ve aile seli hata oranı (FWER) < 0,05 (bundan böyle " düzeltilmiş eşik"), düzeltilmemiş eşiği seçin ve bu düzeltilmemiş eşik kullanılarak elde edilen tüm zirveleri içerir. Düzeltilmemiş eşiği tercih etme nedeni, çalışmaların genellikle düzeltilmemiş bir eşik uygulayarak daha fazla tepe elde etmesi ve SDM'nin haritaları daha yüksek noktalardan bilgi varsa daha doğru şekilde tahmin etmesidir. El yazması, artışlar için düzeltilmemiş bir eşik ve düşüşler için düzeltilmiş bir eşik (veya tam tersi) kullanılarak elde edilen zirveleri rapor ederse, düzeltilmemiş eşiği seçin, ancak düzeltilmiş eşiği kullanarak elde edilen zirveleri içerir. Düzeltilmemiş eşik kullanılarak elde edilen bazı zirveleri atabilir, çünkü bu konservatif bir yaklaşımdır. Bu duruma bir örnek, bir el yazmasının “bazı bölgelerde FWER düzeltilmiş daha büyük gri madde hacimleri tespit ettik, ancak düzeltilmemiş p değeri < 0,001 kullanarak bile herhangi bir bölgede daha küçük gri madde hacmi tespit etmediğimiz" gibi bir durum olabilir. Yazarlar küme tabanlı istatistikleri uyguladıysa, küme oluşturan yükseklik eşiğini kullanın. Bu konservatif bir yaklaşımdır, çünkü bazı voxel’lerin eşikten daha yüksek t değerleri olabilir, ancak kümeleri yeterince büyük olmadığı için yazarlar bunları atılmıştır. El yazması bir eşik belirtmiyorsa, en küçük tepenin t değerinden biraz daha küçük bir değer kullanın. Bu t değerini kullanmanın nedeni, yazarlar kümeler için en az boyut gerektirmeden bu istatistiksel anlamlılık eşiğini uygulamış olsalardı, aynı zirveleri bulmuş olmalarıdır. Tepe bilgileri kaydederken aşağıdakileri yapın: Beynin geri kalanı için seçilen eşik daha liberal bir istatistiksel anlamlılık eşiği kullanılarak elde edilen zirveleri hariç. Bu duruma bir örnek, yazarların bazı priori beyin bölgelerine daha liberal eşikler veya küçük hacim düzeltmeleri uygulamalarıdır. z değerlerini ve p değerlerini t değerlerine dönüştürün. Kolayca dönüştürmek için SDM-PSI yazılımındaki zirveleri dönüştür düğmesini tıklatın. Alternatif olarak, bunları aynı elektronik tablo dosyasında dönüştürün (örneğin, “=T.INV(1-0.001,34)” p-değeri = 0,001 ve 34 serbestlik derecesi için; Artış zirveleri (örn. etkinleştirme) ve negatif t değerleri için azalma zirveleri (örn. devre dışı bırakma) için pozitif t değerlerini kullanın. T-değerlerinin işaretine nasıl karar verilebilen kılavuzlar için Tablo 2’ye bakın.NOT: Kişisel iletişim den sonra “Heuvel” ve “Soriano-Mas” çalışmalarından bilgi aldık. 5. Verilerin SDM-PSI’ya girişi SdmPsiGui’yi açın ve Hakkında sıçrama penceresini kapatın (kapatırken herhangi bir tuşa basılmasından kaçının). Meta çözümleme için bir dizin seçmek için grafik arabiriminin sol üst kısmındaki meta çözümlemesi değiştir düğmesini tıklatın (tercih edilen yeni boş dizin bunu yapar). Tanımlamaları (sütun “çalışma”), örneklem boyutları (sütunlar “n1” ve “n2”), istatistiksel eşikler olarak kullandıkları t değeri (sütun “t_thr”) ve alt grup analizleri veya meta-regresyonlar yapmak için diğer potansiyel değişkenler dahil olmak üzere çalışmalardan genel bilgileri girdietmek için SDM tablo düzenleyicisi düğmesini tıklatın. Seçili dizin içinde, her tepenin koordinatlarını ve t değerini içeren her çalışma için bir metin dosyası oluşturun: [Çalışmanın tanımlanması] + “.” + [yazılım] + “_” + [stereotaktik alan] + “.txt” olarak adlandırılan bir metin dosyası oluşturmak için bir metin düzenleyicisi açın. Örneğin, SPM ile yapılan ve MNI alanında koordinatları rapor eden “Carmona” çalışması için metin dosyasının adı “Carmona.spm_mni.txt” olmalıdır. Çalışmanın zirveleri yoksa, yazılım ve stereotaktik alan “no_peaks” ile değiştirilebilir. Her tepenin koordinatlarını ve t değerini farklı bir satıra yazın. Örneğin, “Carmona.spm_mni.txt” metin dosyasının ilk satırları olmalıdır:40,39,21,-5.1453,27,21,-3.7756,23,20,-3.63 6. Ön işleme Sol menü çubuğundaki İşlem Öncesi düğmesine tıklayın, “Modality” etiketli liste kutusundaki çalışmaların modalitesini seçin ve Tamam’abasın. Örnek meta-analizde yöntem “VBM – gri madde”dir. SDM-PSI, olası etki boyutlarının alt ve üst sınırlarının haritalarını hesaplarken (birkaç dakika) bekleyin. SdmPsiGui, yürütmenin durumunu ve geçerli işlem için beklenen kalan zamanı gösteren dört ilerleme çubuğu gösterir. Hesaplamalar sırasında, “İşlem durumu”nun yanındaki dairenin rengi sarı olur ve yürütme başarıyla sona ererse yeşile veya başarısız olursa kırmızıya döner. 7. Ana analiz Sol menü çubuğundaki Ortalama düğmesini tıklatın ve Tamamdüğmesine basın. SDM-PSI çoklu imputasyon ve meta-analiz yaparken bekleyin (birkaç dakika)(Şekil 1). Sol menü araç kutusundaki Eşik düğmesini tıklatın, ana çözümlemenin düzeltilmemiş p değerlerini seçin (“varsayılan olarak MyTest_uncorrp” tuşuna basın ve Tamam’abasın. SDM-PSI, sonuçları görselleştirmek için hem MRICron’u hem de ayrıntılı bir raporu içeren bir web sayfasını otomatik olarak açacaktır. Sol menü araç kutusundaki FWE düzeltme düğmesine basın, liste kutusundaki ana çözümlemesi seçin (“MyTest” varsayılan olarak) ve Tamam’abasın. SDM-PSI permütasyon testini yaparken bekleyin (birkaç saat veya günler). Sol menü araç kutusundaki Eşik düğmesini tıklatın, ana çözümlemenin TFCE düzeltmesini seçin (“varsayılan olarak MyTest_corrp_tfce” tuşuna basın ve Tamam’abasın. SDM-PSI, sonuçları görselleştirmek için hem MRICron’u hem de ayrıntılı bir raporu içeren bir web sayfasını otomatik olarak açacaktır. 8. Heterojenlik, yayın önyargısı ve derecelendirme Sol menü araç kutusundaki Ayıkla düğmesini tıklatın, ana çözümlemeden bir tepe noktası seçin (“varsayılan olarak MyTest_z_p_0.05000_10_neg_peak1” tuşuna basın ve Tamam’abasın. SDM-PSI otomatik olarak bu zirveistatistikleri ile bir web sayfası açacaktır. Heterojenlik I 2 istatistik yazın. Sol menü araç kutusundaki Önyargı Testi düğmesini tıklatın, ana çözümlemeden bir tepe noktası seçin (“varsayılan olarak MyTest_z_p_0.05000_10_neg_peak1” tuşuna basın ve Tamam’abasın. SDM-PSI otomatik olarak bir huni arsa ve küçük çalışma etkisi ve aşırı önemi için bir test için bir test sonuçları ile bir web sayfası açacaktır. Huni çiziminde asimetri olup olmadığını (yani küçük çalışmalarda daha büyük etki boyutu) yapılan eski testler, küçük çalışmaların yalnızca büyük etki boyutları veya diğer önyargı kaynakları bulduklarında yayınlandığını gösterebilir. İkinci testler istatistiksel olarak anlamlı sonuçlar ile çalışmaların sayısı beklenenden daha büyük olup olmadığını, bu da çalışmaların sadece istatistiksel olarak anlamlı sonuçlar veya önyargı diğer kaynakları bulmak durumunda yayınlanır gösterebilir. Üst araç kutusundan Kanıt derecelendirme düğmesine basın, liste kutusundan ana analizi (“MyTest” varsayılan olarak) seçin ve Tamam’abasın. Birkaç saniye sonra, SDM-PSI kanıt sınıflarını göstermek için MRICron’u otomatik olarak açar.

Representative Results

Ana analiz(Şekil 2, adım 7.6) eşiğinde iken MRICron açıldı haritada gösterildiği gibi, OKB’li hastalarda dorsal anterior singulat/medial frontal kortekste istatistiksel olarak anlamlı olarak daha küçük gri madde hacmi vardı. Eşlik eden web sayfası, kümenin orta derecede küçük (143 voxel) ve esas olarak Brodmann bölgesinde 32’de yer aldığı ve kümenin zirvesinin MNI’de olduğunu [2, 32, 32], -4,97 z değerine ve 0,01 FWER düzeltilmiş p-değerine sahip olduğunu ayrıntılarıyla anlatır. 8.1 ve 8.2 adımlarında elde edilen web sayfalarında düşük I2 istatistiği (%1,5) çok küçük heterojenite gösterir, huni çizima asimetri göstermez(Şekil 3), ve hem küçük çalışma etkisi hem de fazla anlamlılık testi negatiftir. Ancak, dorsal ön singulat kortekste daha küçük gri madde hacminin kanıtları, özellikle sınırlı miktarda veri nedeniyle, kanıtları derecelendirirken MRICron’da açık olan haritada gösterildiği gibi orta derecede zayıftır. Ana analiz daha az sıkı istatistiksel anlamlılık düzeyi (adım 7.3) kullanılarak eşiğe geçtiğinde, hastalar striatum ve superior parietal girusta istatistiksel olarak anlamlı olarak daha büyük gri madde hacmi (düzeltilmemiş p-değerleri = 0,00006 ve 0.0002 sırasıyla), ancak bu anormalliklerin kanıt zayıf kabul edilmelidir. <!–Finally, the map of negative subcategories open in MRICron when grading the evidence showed that the effect sizes in non-statistically significant voxels were mostly null to small, and no large effects were observed in any non-statistically significant voxel.–> Şekil 1: Ortalama bir yürütme sırasında SDP-PSI grafik kullanıcı arabiriminin ana penceresi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 2: Obsesif kompulsif bozukluğu olan hastalarda, eşleşen sağlıklı kontrollere kıyasla istatistiksel olarak anlamlı olarak daha küçük gri madde hacmi bölgeleri.İstatistiksel anlamlılık kümesi 143 voxel’i kapsar, MNI’de zirveye sahiptir [2,32,32], ve çoğunlukla dorsal anterior singulat/medial frontal korteks, Brodmann alanı 32 içerir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 3: Dorsal anterior singulat korteksinde istatistiksel olarak anlamlı derecede daha küçük gri madde hacmi kümesinin zirvesi için huni çizimi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Yazılım paketleri SDM’de Kodlama İstatistiksel Parametrik Haritalama (SPM) Spm FMRIB Yazılım Kütüphanesi (FSL) fsl Diğer paketler Diğer Stereotaktik alan SDM’de Kodlama Montreal Nöroloji Enstitüsü (MNI) Mnı Ham Talairach Taş MNI Brett dönüşümü kullanarak Talairach dönüştürülür Brett Tablo 1: SDM-PSI tarafından anlaşılan yazılım paketleri ve stereotaktik alanların listesi. t-değerleri: t-değerleri: Tek örnekli fMRI çalışmaları görev > temel (etkinleştirme) görev < taban çizgisi (devre dışı bırakma) İki örnekli fMRI çalışmaları hastalar > görev kontrolleri > taban çizgisi (hiper aktivasyon) hastalar taban çizgisi (hipo-aktivasyon) hastalar < görev < taban çizgisi (devre dışı bırakma hatası) kontrolleri hastalar > görev < taban çizgisi (hiper-deaktivasyon) kontrolleri İki örnekli VBM / FA çalışmaları hastalar > kontroller (daha büyük hacimli / FA) hastalar < kontroller (daha küçük hacimli / FA) Tablo 2: Zirvelerin t-değerlerinin işareti.

Discussion

Daha önce de belirtildiği gibi, voxel tabanlı meta-analitik yöntemlerin çoğu, bazı sınırlamaları olan zirvelerin yakınsaması için bir test kullanır ve daha sonra kanıtların yalnızca p değerlerine dayalı ikili bir sınıflandırmasını yapar.

Bu protokolde, etkilerin istatistiksel önemini değerlendirmek için standart permütasyon testi de dahil olmak üzere bir dizi olumlu özelliğe sahip Olan SDM-PSI kullanılarak voksel tabanlı bir meta-analizin nasıl yapılacağını ayrıntılı olarak anlattık. Buna ek olarak, kanıtların gücünün yalnızca bir istatistiksel anlamlılık düzeyine dayanan ikili sınıflandırmanın ötesine geçen bir dizi ölçüt kullanılarak nasıl derecelendirilebildiğini gösteriyoruz.

Örnek meta-analizin çoğaltılmasını kolaylaştırmak için, önceki bir meta-analizden el yazmalarından elde edilmiş verileri sağlıyoruz. İlginçtir ki, bu meta-analizin el yazmasında, kanıtlar güncellenmiş yöntemlerle bulduğumuz kanıtlardan “daha güçlü” görünüyordu. Bu nedenle, önceki voksel tabanlı meta analizlerde kanıtların sistematik olmayan değerlendirmelerin dikkatle alınmasını öneriyoruz.

Bu protokolden sonra nörogörüntüleme meta-analizlerinin nörogörüntüleme bulgularının kanıtlarının daha zengin ve daha granül bir tanımını sağlamasını umuyoruz.

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

Bu çalışma Miguel Servet Araştırma Sözleşmesi MS14/00041 ve Araştırma Projesi PI14/00292 tarafından 2013-2016 Plan Nacional de I+D+i tarafından desteklenmiştir. Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de la Investigación, Avrupa Bölgesel Kalkınma Fonu (FEDER) ve PFIS Doktora Öncesi Sözleşmesi FI16/00311 tarafından. Fon layıcıların çalışmanın tasarımında ve yürütülmesinde hiçbir rolü yoktu; verilerin toplanması, yönetilmesi, analizi ve yorumlanması; makalenin hazırlanması, gözden geçirilmesi veya onaylanması; ve makalenin yayımlanmak üzere gönderilmesine karar verir.

Materials

Computer 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux

Referanslar

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. Albajes-Eizagirre, A., Radua, J. What do results from coordinate-based meta-analyses tell us?. Neuroimage. 176, 550-553 (2018).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Radua, J., et al. Anisotropic kernels for coordinate-based meta-analyses of neuroimaging studies. Frontiers in Psychiatry. 5, 13 (2014).
  14. Albajes-Eizagirre, A., Solanes, A., Radua, J. Meta-analysis of non-statistically significant unreported effects. Statistical Methods in Medical Research. 962280218811349, (2018).
  15. Durnez, J., Moerkerke, B., Nichols, T. E. Post-hoc power estimation for topological inference in fMRI. Neuroimage. 84, 45-64 (2014).
  16. 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).
  17. 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).
  18. Radua, J., et al. Multimodal voxel-based meta-analysis of white matter abnormalities in obsessive-compulsive disorder. Neuropsychopharmacology. 39 (7), 1547-1557 (2014).
  19. 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).
  20. Muller, V. I., et al. Ten simple rules for neuroimaging meta-analysis. Neuroscience & Biobehavioral Reviews. 84, 151-161 (2018).
  21. 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).
  22. Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. 17, 49-66 (2018).

Play Video

Bu Makaleden Alıntı Yapın
Albajes-Eizagirre, A., Solanes, A., Fullana, M. A., Ioannidis, J. P. A., Fusar-Poli, P., Torrent, C., Solé, B., Bonnín, C. M., Vieta, E., Mataix-Cols, D., Radua, J. Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI). J. Vis. Exp. (153), e59841, doi:10.3791/59841 (2019).

View Video