We geven in detail aan hoe we een meta-analyse van op Voxel gebaseerde neuroimaging-onderzoeken kunnen uitvoeren met behulp van op zaad gebaseerde d-mapping met permutatie van Onderwerpafbeeldingen (SDM-PSI).
De meeste methoden voor het uitvoeren van meta-analyse van op Voxel gebaseerde neuroimaging-onderzoeken beoordelen niet of effecten niet null zijn, maar of er sprake is van convergentie van pieken van statistische significantie, en verminderen de beoordeling van het bewijsmateriaal naar een binaire classificatie uitsluitend op basis van p-waarden (dat wil zeggen, voxels kunnen alleen “statistisch significant” of “niet-statistisch significant” zijn). Hier wordt gedetailleerd beschreven hoe u een meta-analyse moet uitvoeren met behulp van op zaad gebaseerde d-mapping met permutatie van Onderwerpafbeeldingen (SDM-PSI), een nieuwe methode die een standaard permutatie test gebruikt om te beoordelen of effecten niet null zijn. We laten ook zien hoe we de sterkte van het bewijs kunnen beoordelen op basis van een reeks criteria die rekening houdt met een reeks statistische significantie niveaus (van liberaler tot conservatiever), de hoeveelheid gegevens of de detectie van mogelijke vooroordelen (bijv. een klein studie-effect en overmaat van betekenis). Om de procedure te illustreren, we gedetailleerd de geleiding van een meta-analyse van voxel-gebaseerde morphometrie studies in obsessief-compulsieve stoornis, en we bieden alle gegevens die al uit de manuscripten worden geëxtraheerd om de lezer de meta-analyse te laten repliceren Gemakkelijk. SDM-PSI kan ook worden gebruikt voor meta-analyses van functionele magnetische resonantie beeldvorming, diffusie tensor beeldvorming, positie emissie tomografie en op oppervlakte gebaseerde morphometrie studies.
Sinds de introductie van Magnetic Resonance Imaging heeft de neuroimaging-Gemeenschap duizenden studies gepubliceerd over de neurale substraten van psychologische functies en neuropsychiatrische stoornissen. Om deze bevindingen samen te vatten, zijn verschillende methoden ontwikkeld1,2,3,4,5,6. De oorspronkelijke neuroimaging-onderzoeken op Voxel rapporteren de coördinaten van de pieken van statistische significantie (bijvoorbeeld in een vergelijking van het volume van de grijze materie tussen patiënten en controles), en meta-analytische methoden beoordelen vaak of er convergentie is van pieken in bepaalde hersengebieden.
We hebben echter eerder aangetoond dat deze tests voor convergentie van pieken gebaseerd zijn op delicate veronderstellingen die de patronen van meta-analyseresultaten en hun statistische significantie7kunnen beïnvloeden. Specifiek, deze tests veronderstellen dat voxels onafhankelijk zijn en dat ze dezelfde waarschijnlijkheid van een “valse” piek, terwijl in echte grijze materie, voxels correleren met hun buren en de waarschijnlijkheid dat een Voxel een “vals” piek heeft, hangt af van de weefsel samenstelling. Daarnaast omvatten ze ook paradoxen, zoals dat het statistisch vermogen toeneemt in de aanwezigheid van enkele echte effecten en afneemt wanneer er meerdere ware effecten zijn.
Om deze problemen te overwinnen, ontwikkelden we een methode die de hersen kaarten van statistische effecten voor elke studie opschoof en vervolgens een standaard meta-analyse van willekeurige effecten uitvoert om formeel te testen of de effecten anders zijn dan nul. Deze methode wordt “op zaad gebaseerde d-mapping met permutatie van Onderwerpafbeeldingen” (SDM-PSI)8 genoemd en de belangrijkste functies zijn:
We hebben deSDM-methoden elders4,8,10,13en14gedetailleerd en volledig gevalideerd.
Daarnaast stellen we voor niet te vertrouwen op een binaire classificatie van de voxels op basis van het niveau van statistische significantie (significant versus niet significant), maar omgekeerd de sterkte van het bewijs te beoordelen aan de hand van een reeks criteria22. De binaire statistische significantie reductionisme leidt tot slechte controle van de vals-positieve en valse negatieve percentages15, terwijl de criteria gebruiken bereiken van statistische significantie niveaus en rekening houden met de hoeveelheid gegevens of potentiële vooroordelen. De SDM-PSI-software retourneert de nodige elementen om zo’n classificatie8 uit te voeren en dus kunnen ze worden gebruikt om een meer gedetailleerde classificatie van de sterkte van het bewijs te bieden.
Hier laten we zien hoe we een meta-analyse van voxel-gebaseerde neuroimaging-onderzoeken kunnen uitvoeren met SDM-PSI. Om het protocol te illustreren, gebruiken we gegevens uit een gepubliceerde meta-analyse van op Voxel gebaseerde morphometrie studies waarin grijze stof afwijkingen bij patiënten met obsessief-compulsieve stoornis (OCD)4werden onderzocht. We zullen echter niet de methoden gebruiken die in die vroege meta-analyse worden gehanteerd, maar de bovengenoemde State-of-the-art procedures. De lezer kan de software en deze gegevens van onze website (http://www.sdmproject.com/) downloaden om de analyse te repliceren.
Alle onderzoekers die streven naar het uitvoeren van een meta-analyse van voxel gebaseerde neuroimaging studies kunnen dit protocol volgen. De methode kan worden gebruikt met functionele magnetische resonantie beeldvorming (fMRI, bijvoorbeeld een GEDURFDE reactie op een stimulus)16, op Voxel gebaseerde morphometrie (VBM, bijv. grijs materie volume)17, diffusie tensor beeldvorming (DTI, bijv. fractionele anisotropie)18, positie emissie tomografie (PET, bijv. receptor bezetting)19 en oppervlakte-gebaseerde morphometrie (SBM, bijv. corticale dikte) studies/datasets.
Zoals eerder geïntroduceerd, gebruiken de meeste op Voxel gebaseerde meta-analytische methoden een test voor convergentie van pieken die enkele beperkingen heeft, en vervolgens een binaire classificatie van het bewijsmateriaal uitsluitend op basis van p-waarden uitvoeren.
In dit protocol hebben we gedetailleerd beschreven hoe we een op Voxel gebaseerde meta-analyse kunnen uitvoeren met SDM-PSI, dat een aantal positieve kenmerken heeft, waaronder een standaard permutatie test om de statistische significantie van de effecten te beoordelen. Daarnaast laten we zien hoe de sterkte van het bewijs kan worden beoordeeld met behulp van een reeks criteria die verder gaan dan een binaire classificatie die uitsluitend afhankelijk is van één statistisch significantieniveau.
Om de replicatie van de voorbeeld meta-analyse te vergemakkelijken, verstrekken wij de gegevens die al uit de manuscripten uit een eerdere meta-analyse zijn geëxtraheerd. Belangwekkend, in het manuscript van die meta-analyse, het bewijs “leek” sterker dan het bewijs dat we met de bijgewerkte methoden gevonden. Daarom stellen wij voor om de onsystematische evaluaties van het bewijsmateriaal in eerdere meta-analysen op basis van voxel met de nodige voorzichtigheid te nemen.
We hopen dat neuroimaging meta-analyses volgens dit protocol een rijkere en meer granulaat beschrijving geven van het bewijs van de bevindingen van neuroimaging.
The authors have nothing to disclose.
Dit werk werd gesteund door Miguel servet Research contract MS14/00041 en research project PI14/00292 van het plan Nacional de I + D + i 2013 – 2016, het Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de la onderzoekt, het Europees Fonds voor regionale ontwikkeling (FEDER), en door PFIS predoctoraal contract FI16/00311. De financiers hadden geen rol in het ontwerp en de uitvoering van de studie; verzameling, beheer, analyse en interpretatie van de gegevens; voorbereiding, herziening of goedkeuring van het manuscript; en besluit om het manuscript voor publicatie in te dienen.