Nous détaillons comment effectuer une méta-analyse des études de neuroimagerie à base de voxel à l’aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI).
La plupart des méthodes de méta-analyse des études de neuroimagerie à base de voxel n’évaluent pas si les effets ne sont pas nuls, mais s’il existe une convergence de pics de signification statistique, et réduisent l’évaluation des preuves à une classification binaire exclusivement sur la base des valeurs p (c.-à-d. que les voxels ne peuvent être que « statistiquement significatifs » ou « non statistiquement significatifs »). Ici, nous détaillons comment effectuer une méta-analyse à l’aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI), une nouvelle méthode qui utilise un test de permutation standard pour évaluer si les effets ne sont pas nuls. Nous montrons également comment classer la force de la preuve en fonction d’un ensemble de critères qui tient compte d’une gamme de niveaux d’importance statistique (de plus libéral à plus conservateur), de la quantité de données ou de la détection de biais potentiels (p. ex., effet de petite étude et l’excès d’importance). Pour illustrer la procédure, nous détaillons la conduction d’une méta-analyse d’études morphométrie à base de voxel dans le trouble obsessionnel-compulsif, et nous fournissons toutes les données déjà extraites des manuscrits pour permettre au lecteur de reproduire la méta-analyse Facilement. SDM-PSI peut également être utilisé pour des méta-analyses de l’imagerie par résonance magnétique fonctionnelle, de l’imagerie par tenseur de diffusion, de la tomographie par émission de position et des études de morphométrie basées sur la surface.
Depuis l’introduction de l’imagerie par résonance magnétique, la communauté neuroimagerie a publié des milliers d’études sur les substrats neuronaux des fonctions psychologiques et des troubles neuropsychiatriques. Pour résumer ces résultats, plusieurs méthodes ont été développées1,2,3,4,5,6. Les études originales de neuroimagerie à base de voxel indiquent les coordonnées des pics de signification statistique (p. ex., dans une comparaison du volume de matière grise entre les patients et les témoins), et les méthodes méta-analytiques évaluent généralement s’il y a convergence des pics dans certaines régions du cerveau.
Cependant, nous avons déjà montré que ces tests de convergence des pics reposent sur des hypothèses délicates qui pourraient influencer les modèles de résultats de méta-analyse et leur signification statistique7. Plus précisément, ces tests supposent que les voxels sont indépendants et qu’ils ont la même probabilité d’un “faux” pic, tandis que dans la matière grise réelle, voxels corrélés avec leurs voisins et la probabilité qu’un voxel a un “faux” pic dépend de sa composition tissulaire. En outre, ils englobent également des paradoxes tels que le fait que la puissance statistique augmente en présence de peu d’effets réels, et diminue lorsqu’il y a de multiples effets réels.
Pour surmonter ces problèmes, nous avons mis au point une méthode qui imppute les cartes cérébrales des effets statistiques pour chaque étude et effectue ensuite une méta-analyse standard des effets aléatoires pour vérifier formellement si les effets sont différents de zéro. Cette méthode est appelée “Seed-based d Mapping with Permutation of Subject Images” (SDM-PSI)8 et ses principales caractéristiques comprennent:
Nous avons détaillé et entièrement validé les méthodes SDM ailleurs4,8,10,13,14.
En outre, nous suggérons de ne pas se fonder sur une classification binaire des voxels en fonction du niveau de signification statistique (significatif par rapport à non significatif) mais, inversement, d’évaluer la force de la preuve à l’aide d’un ensemble de critères22. Le réductionnisme de la signification statistique binaire conduit à un mauvais contrôle des taux faux positifs et faux négatifs15, tandis que les critères utilisent des gammes de niveaux de signification statistique et de prendre en compte la quantité de données ou de biais potentiels. Le logiciel SDM-PSI renvoie les éléments nécessaires à la conduite d’une telle classification8 et peut donc être utilisé pour permettre une classification plus granulaire de la force de la preuve.
Ici, nous montrons comment effectuer une méta-analyse des études de neuroimagerie à base de voxel à l’aide de SDM-PSI. Pour illustrer le protocole, nous utilisons les données d’une méta-analyse publiée d’études morphometry à base de voxel qui ont étudié les anomalies de la matière grise chez les patients atteints de troubles obsessionnels compulsifs (TOC)4. Cependant, nous n’utiliserons pas les méthodes employées dans cette méta-analyse précoce, mais les procédures de pointe susmentionnées. Le lecteur peut télécharger le logiciel et ces données à partir de notre site Web (http://www.sdmproject.com/) pour reproduire l’analyse.
Tous les chercheurs qui visent à effectuer une méta-analyse des études de neuroimagerie à base de voxel peuvent suivre ce protocole. La méthode peut être utilisée avec l’imagerie par résonance magnétique fonctionnelle (IRMf, p. ex., réponse BOLD à un stimulus)16, morphométrie à base de voxel (VBM, p. ex., volume de matière grise)17, imagerie par tenseur de diffusion (DTI, p. ex. anisotropie fractionnaire)18, tomographie par émission de position (PET, p. ex., occupation des récepteurs)19 et morphométrie de surface (SBM, etc. études d’épaisseur cortical)
Comme présenté précédemment, la plupart des méthodes méta-analytiques basées sur le voxel utilisent un test de convergence des pics qui a certaines limites, puis effectuent une classification binaire des preuves exclusivement basée sur les valeurs p.
Dans ce protocole, nous avons détaillé comment effectuer une méta-analyse basée sur le voxel à l’aide de SDM-PSI, qui a un certain nombre de caractéristiques positives, y compris un test de permutation standard pour évaluer la signification statistique des effets. En outre, nous montrons comment la force de la preuve peut être évaluée en utilisant un ensemble de critères qui vont au-delà d’une classification binaire qui repose uniquement sur un niveau de signification statistique.
Pour faciliter la réplication de l’exemple de méta-analyse, nous fournissons les données déjà extraites des manuscrits d’une méta-analyse précédente. Fait intéressant, dans le manuscrit de cette méta-analyse, les preuves « semblaient » plus solides que les preuves que nous avons trouvées avec les méthodes mises à jour. Nous suggérons donc que les évaluations non systématiques des preuves dans les méta-analyses précédentes basées sur le voxel soient prises avec prudence.
Nous espérons que suivant ce protocole, les méta-analyses de neuroimaging fournissent une description plus riche et plus granulede des preuves des résultats de neuroimaging.
The authors have nothing to disclose.
Ce travail a été soutenu par Miguel Servet Research Contract MS14/00041 et Research Project PI14/00292 du Plan Nacional de I-D-i 2013-2016, l’Instituto de Salud Carlos III-Subdireccion General de Evaluacion y Fomento de la Investigacion, le Fonds européen de développement régional (FEDER), et par LE CONTRAT prédoctoral PFIS FI16/00311. Les bailleurs de fonds n’ont joué aucun rôle dans la conception et la conduite de l’étude; la collecte, la gestion, l’analyse et l’interprétation des données; la préparation, l’examen ou l’approbation du manuscrit; et la décision de soumettre le manuscrit pour publication.