Мета-анализ Voxel основе нейровизуализации исследований с использованием семян на основе d Картирование с перестановкой субъектов изображения (SDM-PSI)

Мы подробно, как провести мета-анализ воксел на основе нейровизуализации исследований с использованием семян на основе d Картирование с перестановкой субъектов изображений (SDM-PSI).

Большинство методов проведения мета-анализа вокселных нейровизуальных исследований не оценивают, не являются ли эффекты нулевыми, но существует ли сближение пиков статистической значимости, и снижают оценку фактических данных до двоичной классификации исключительно на основе p-значений (т.е. воксели могут быть только "статистически значимыми" или "нестатистически значимыми"). Здесь мы подробно описываем, как проводить мета-анализ с помощью seed-based d Mapping с перестановкой тематических изображений (SDM-PSI), нового метода, который использует стандартный тест на перестановку для оценки того, не являются ли эффекты недействительными. Мы также показываем, как оценить силу доказательств в соответствии с набором критериев, которые учитывают диапазон уровней статистической значимости (от более либеральных до более консервативных), объем данных или выявление потенциальных предубеждений (например, эффект малого исследования и превышение значимости). Для примера процедуры, мы подробно проводим мета-анализ воксел на основе морфомерных исследований в обсессивно-компульсивное расстройство, и мы предоставляем все данные, уже извлеченные из рукописей, чтобы читатель повторить мета-анализ Легко. SDM-PSI также может быть использован для мета-анализа функциональной магнитно-резонансной томографии, диффузионной тензорной томографии, позиционной эмиссионной томографии и поверхностных исследований морфхометрии.

С момента введения магнитно-резонансной томографии, нейровизуализации сообщество опубликовало тысячи исследований нервных субстратов психологических функций и нейропсихиатрических расстройств. Подводя итоги этих выводов, было разработано^{несколько}методов^1,2,3,4,5,6. Оригинальные исследования нейровизуализации на основе вокселя сообщают о координатах пиков статистической значимости (например, в сравнении объема серого вещества между пациентами и элементами управления), а метааналитические методы обычно оценивают, есть ли сближение пиков в определенных областях мозга.

Тем не менее, мы уже показали, что эти тесты для конвергенции пиков опираются на деликатные предположения, которые могут повлиять на модели результатов мета-анализа и их статистическую значимость⁷. В частности, эти тесты предполагают, что воксели являются независимыми и что они имеют ту же вероятность "ложного" пика, в то время как в реальном сером веществе, воксели коррелируют с их соседями и вероятность того, что воксель имеет "ложный" пик зависит от его состава ткани. Кроме того, они также охватывают такие парадоксы, как то, что статистическая мощность увеличивается в присутствии нескольких истинных эффектов и уменьшается при наличии нескольких истинных эффектов.

Чтобы преодолеть эти проблемы, мы разработали метод, который вмещает карты мозга статистических эффектов для каждого исследования, а затем проводит стандартный мета-анализ случайных эффектов, чтобы официально проверить, отличаются ли эффекты от нуля. Этот метод называется "Семя на основе d Картирование с перестановкой субъектов изображения" (SDM-PSI)⁸ и его основные особенности включают в себя:

• Учет как увеличения, так и уменьшения результатов интереса (например, активации и деактивации), с тем чтобы противоречивые выводы отменяли друг друга^4;
• Использование оценок размера эффекта с помощью моделирования случайных эффектов, что повышает надежность и производительность^9;
• Потенциальное одновременное включение доступных 3D-статистических изображений (т.е. карт значений t-test)^10;
• Тет-тесты на основе перестановок идентичны тестам FSL "рандомизировать" инструмент^11;
• Использование статистики повышения порогового кластера (TFCE)¹².

Мы детально и полностью проверили методы SDM в другом месте^4,8,10,13,14.

Кроме того, мы предлагаем не полагаться на двоичную классификацию вокселей на основе уровня статистической значимости (значительное против незначительного), а, наоборот, оценивать силу доказательств с помощью набора критериев²². Двоичная статистическая значимость редукционизма приводит к плохому контролю ложноположительных и ложных отрицательных ставок^15,в то время как критерии используют диапазоны уровней статистической значимости и учитывают объем данных или потенциальные предубеждения. Программное обеспечение SDM-PSI возвращает необходимые элементы для проведения такой классификации^8, и поэтому они могут быть использованы для обеспечения более детальной классификации прочности доказательств.

Здесь мы покажем, как проводить мета-анализ вокселных нейровизуальных исследований с использованием SDM-PSI. Для примера протокола, мы используем данные из опубликованного мета-анализа вокселя основе морфометрических исследований, которые исследовали аномалии серого вещества у пациентов с обсессивно-компульсивным расстройством (ОКР)⁴. Тем не менее, мы будем использовать не методы, используемые в том, что ранний мета-анализ, но вышеупомянутые современные процедуры. Читатель может скачать программное обеспечение и эти данные с нашего сайта(http://www.sdmproject.com/),чтобы повторить анализ.

Все исследователи, которые стремятся провести мета-анализ воксел на основе нейровизуализации исследований могут следовать этому протоколу. Метод может быть использован при функциональной магнитно-резонансной томографии (МРТ, например, BOLD ответ на стимул)¹⁶, воксель основе морфометрии (VBM, например, объем серого вещества)¹⁷, диффузии тензор изображения (DTI, например, дробная анизотропия)¹⁸, позиция эмиссионной томографии (ПЭТ, например, рецепторов занятости)¹⁹ и поверхностных исследований на основе морфомерии (SBM, e.

1. Установка SDM-PSI

1. Перейти к https://www.sdmproject.com/software/, чтобы загрузить версию SDM-PSI для операционной системы компьютера в качестве файла ЗИП.
2. Распаковка файла ЗИП. Чтобы избежать проблем, распакуйте ее в локальной папке без пробелов на пути.
3. Нажмите на файл SdmPsiGui, чтобы выполнить графический интерфейс SDM-PSI, и закройте окно About splash, которое автоматически откроется.
4. Если SdmPsiGui не найдет все необходимые пути, он автоматически предложит отобразить окно предпочтений. Пресс Да.
   1. Если MRICron не установлен в компьютере, перейдите https://www.nitrc.org/frs/?group_id=152 скачать версию для операционной системы компьютера в виде файла зип, и распаковать файл.
   2. В вкладке просмотра мозга окна предпочтений, убедитесь, что мозг зритель установлен на MRICron, и нажмите значок папки рядом с мозгом зрителя исполняемых, чтобы найти MRICron исполняемым.
   3. Убедитесь, что все оставшиеся пути в разных вкладках имеют синие метки, указывающие на то, что пути верны.
5. В случае, если SdmPsiGui не отображает автоматически окно предпочтений, перейдите в меню Tools и нажмите «Настройки».
6. Во вкладке Multithreading укажите количество одновременных потоков для использования в расчетах. Некоторые расчеты SDM-PSI занимают очень много времени (от нескольких часов до дней) и потребляют большое количество оперативной памяти (от сотен мегабайт до гигабайт). Использование нескольких потоков (параллельная обработка) существенно сокращает время, но увеличивает используемую память.
7. Закройте окно предпочтений и SdmPsiGui.

2. Мета-анализ ный план

1. Укажите точный вопрос. Например, "у пациентов с ОКР есть региональные аномалии объема серого вещества?".
2. Напишите четкие критерии включения, которые позволяют систематически включить исследования. Например, "все исследования, которые выполняются весь мозг воксель основе сравнения объема серого вещества между лицами с ОКР и здорового контроля".
3. Напишите четкие критерии исключения, которые позволяют систематически исключать те исследования, которые не могут или не должны быть включены по конкретным причинам. Например, "исследования с менее чем 10 пациентами, дублированные наборы данных или исследования, из которых необходимая информация не может быть извлечена".
4. Запишите данные для извлечения из каждого исследования. Следующий список включает рекомендуемые данные (некоторые из них не являются строго обязательными, но их отсутствие приведет к обнищанию мета-анализа):
   • Идентификация исследования.
   • Размеры выборки.
   • Уровень статистической значимости, который является t-значение, z-значение или р-значение, используемое в исследовании, чтобы определить, какие воксели были статистически значимыми.
   • Программное обеспечение и стереотаксическом пространстве. См. Таблицу 1 для списка программных пакетов и стереотактических пространств, понятных SDM-PSI.
   • Координаты и высота пиков. Высота пика - это его t-значение или z-значение, но p-значение также полезно.
   • Переменные, которые будут использоваться для описания образцов или для проведения анализа подгрупп или мета-регрессий.
5. Чтобы повысить качество обзора, рассмотрим следующие "Десять простых правил для нейровизуализации мета-анализа"²⁰ и PRISMA контрольный список²¹.
6. Чтобы повысить прозрачность обзора, рассмотрите возможность заранее зарегистрировать протокол в общедоступной базе данных, такой как PROSPERO(https://www.crd.york.ac.uk/PROSPERO/).

3. Исчерпывающий поиск

1. Выберите набор ключевых слов, которые позволят найти любое исследование, которое может соответствовать критериям включения. Например, ключевыми словами могут быть "обсессивно-компульсивное расстройство" плюс "морфометрия", "воксель на основе" или "voxelwise".
2. Проведите поиск по базам данных, таким как PubMed и Web of Science:
   1. Перейти на веб-сайт базы данных, например, https://www.ncbi.nlm.nih.gov/pubmed/ для PubMed.
   2. Введите поисковый запрос. В примере мета-анализа, запрос может быть "обсессивно-компульсивное расстройство" и ("морфометрия" или "воксель основе" или "voxelwise"). В этом запросе оператор "AND" означает, что исследования должны иметь все ключевые слова, оператор "OR" означает, что исследования должны иметь по крайней мере одно из ключевых слов, а скобки указывают порядок этих логических операций. Таким образом, извлеченные исследования должны иметь ключевое слово "обсессивно-компульсивное расстройство" и по крайней мере одно из ключевых слов "морфометрия", "воксель основе" или "voxelwise". Обратите внимание, что возможны и другие стратегии.
3. Применяйте критерии включения/исключения. Например, из результатов, предоставленных базами данных, выберите только статьи, которые анализируют различия в объеме серого вещества между пациентами с обсессивно-компульсивным расстройством и контролирует выполнение общемозговых вокселей основе морфхометрии исследований, и отказаться от исследований, включая менее 10 пациентов и исследований, которые повторно проанализировали ранее опубликованные данные.
4. Чтобы повысить полноту поиска, рассмотреть вопрос о проведении ручного поиска по ссылки работ в выбранных исследованиях.
5. Чтобы максимально включить исследования и избежать неопределенности в сборе данных, подумайте о том, чтобы связаться с соответствующими авторами, чтобы запросить какие-либо недостающие или неясные данные.
6. Запишите количество извлеченных исследований и количество исследований, исключенных по каждой причине. С этими числами рассмотрим возможность создания диаграммы потока PRISMA^21.

4. Сбор данных

1. Для каждого включенного исследования, прочитайте рукопись, чтобы найти конкретные данные для извлечения.
2. Сохранение данных из исследований систематически, например, ввод данных в предварительно отформатированных файлах электронных таблиц. Чтобы свести к минимуму ошибки в водах, рассмотрите возможность копирования и вставки числа процентов и перепроверки сохраненных данных.
3. Когда уровень статистической значимости неясен, рассмотрите следующие следующие рекомендации:
   1. Если рукопись сообщает пики, полученные с использованием двух уровней статистической значимости всего мозга, например, p-value qlt; 0.001 без коррекции для нескольких сравнений (отныне , "неисправленный порог") и частота ошибок семейного (FWER) злт; 0,05 (отныне " исправленный порог"), выберите неисправленный порог и включите все пики, полученные с помощью этого неисправленного порога. Причина, по которой следует предпочесть неисправленный порог, заключается в том, что исследования обычно получают больше пиков, применяющих неисправленный порог, и SDM оценивает карты более точно, если у него есть информация из большего числа пиков.
   2. Если рукопись сообщает о пиках, полученных с использованием неисправленного порога для увеличения и скорректированного порога для уменьшения (или наоборот), выберите неисправленный порог, но включите только пики, полученные с помощью скорректированного порога. Это консервативное приближение, поскольку оно может отбросить некоторые пики, полученные с помощью неисправленного порога. Примером такой ситуации может быть, когда в рукописи говорится что-то вроде "мы обнаружили FWER-исправленные большие объемы серого вещества в некоторых регионах, в то время как мы не обнаружили меньший объем серого вещества в любом регионе, даже используя неисправленное значение p-value slt; 0.001".
   3. Если авторы применили кластерную статистику, используйте кластерообразующий порог высоты. Это консервативное приближение, потому что некоторые воксели, возможно, были t-значения выше порога, но авторы отбрасывают их, потому что их кластеры не были достаточно большими.
   4. Если в рукописи не указывается порог, используйте несколько меньшее значение, чем t-значение наименьшего пика. Причина использования этого значения заключается в том, что если бы авторы применили этот порог статистической значимости, не требуя минимального размера для кластеров, они нашли бы те же пики.
4. При записи пиковой информации делают следующее:
   1. Исключите пики, полученные с использованием порога статистической значимости, который является более либеральным, чем порог, выбранный для остальной части мозга. Примером такой ситуации является, когда авторы применили более либеральные пороги или небольшие корректировки объема к некоторым априори областям мозга.
   2. Преобразование z-значений и p-значений в t-значения. Нажмите кнопку Преобразование пиков в программном обеспечении SDM-PSI, чтобы преобразовать их легко. Кроме того, преобразуйте их в тот же файл таблицы (например, "T.INV(1-0.001,34)" для p-значения 0,001 и 34 степени свободы; степени свободы являются суммой размеров выборки минус количество параметров, которые в двух образец сравнения два с лишним числа ковариатов, используемых в первоначальном сравнении).
   3. Используйте положительные значения t для пиков увеличения (например, активации) и отрицательных t-значений для пиков снижения (например, деактивации). Смотрите таблицу 2 для руководства о том, как определить знак t-значений.
      ПРИМЕЧАНИЕ: Мы получили информацию из исследований "Heuvel" и "Soriano-Mas" после личного общения.

5. Введение данных в СДМ-PSI

1. Откройте SdmPsiGui и закройте окно о всплеске (избегайте нажатия клавиши при его закрытии).
2. Нажмите кнопку мета-анализа изменений в верхней левой части графического интерфейса, чтобы выбрать каталог для мета-анализа (любой новый пустой каталог по выбору будет делать).
3. Нажмите на кнопку SDM-редактор таблицы для ввода общей информации из исследований, включая их идентификацию (колонка "исследование"), их размеры выборки (столбцы "n1" и "n2"), t-значение, которое они использовали в качестве статистических пороговых значений (колонка "t_thr") и другие потенциальные переменные для проведения анализа подгрупп или мета-регрессии.
4. В выбранном каталоге создайте текстовый файл для каждого исследования с координатами и t-значением каждого пика:
   1. Откройте текстовый редактор для создания текстового файла, названного как «идентификация исследования» ( «.» — «программное обеспечение» («программное обеспечение») — «стереотаксионное пространство» («.txt». Например, для исследования "Кармона", которое проводилось с Помощью SPM и сообщает координаты в пространстве MNI, название текстового файла должно быть "Carmona.spm_mni.txt". Если исследование не имеет пиков, программное обеспечение и стереотаксическом пространстве можно заменить на "no_peaks".
   2. Напишите координаты и t-значение каждого пика в разных рядах. Например, первые строки текстового файла "Carmona.spm_mni.txt" должны быть:
      40,39,21,-5.14
      53,27,21,-3.77
      56,23,20,-3.63

6. Предварительная обработка

1. Нажмите на кнопку Preprocessing в левом меню бар, выберите модальность исследований в поле списка помечены "Модальность" и нажмите OK. В примере мета-анализа, модальность "VBM - серое вещество".
2. Подождите (несколько минут), в то время как SDM-PSI вычисляет карты нижних и верхних границ потенциальных размеров эффекта. SdmPsiGui покажет четыре панели прогресса, отображающие состояние выполнения и ожидаемое оставшееся время для текущего процесса. Во время расчетов цвет круга рядом со "Статусом обработки" будет желтым и будет меняться на зеленый, если выполнение завершится успешно, или на красный, если он не удается.

7. Основной анализ

1. Нажмите кнопку «Средняя» в левом баре меню и нажмите OK.
2. Подождите (несколько минут), в то время как SDM-PSI проводит многократный вычисление и мета-анализ(рисунок 1).
3. Нажмите кнопку «Порог» в левом наборе инструментов меню, выберите неисправленные p-значения основного анализа («MyTest_uncorrp» по умолчанию) и нажмите OK. SDM-PSI автоматически откроет как MRICron, так и веб-страницу с подробным отчетом о них.
4. Нажмите кнопку коррекции FWE в левом наборе инструментов меню, выберите основной анализ в поле списка ("MyTest" по умолчанию) и нажмите OK.
5. Подождите (несколько часов или даже дней), в то время как SDM-PSI проводит тест на перестановку.
6. Нажмите кнопку «Порог» в левом наборе инструментов меню, выберите TFCE-коррекцию основного анализа («MyTest_corrp_tfce» по умолчанию) и нажмите OK. SDM-PSI автоматически откроет как MRICron, так и веб-страницу с подробным отчетом о них.

8. Неоднородность, предвзятость публикаций и классификация

1. Нажмите кнопку Extract в левом наборе инструментов меню, выберите пик из основного анализа ("MyTest_z_p_0.05000_10_neg_peak1" по умолчанию) и нажмите OK. SDM-PSI автоматически откроет веб-страницу со статистикой этого пика. Запишите неоднородность I² статистики.
2. Нажмите кнопку Bias Test в левом наборе инструментов меню, выберите пик из основного анализа ("MyTest_z_p_0.05000_10_neg_peak1" по умолчанию) и нажмите OK. SDM-PSI автоматически откроет веб-страницу с графиком воронки и результатами теста на эффект малого исследования и тест на избыточное значение. Первый тестирует, есть ли асимметрия в участке воронки (т.е. больший размер эффекта в небольших исследованиях), что может указывать на то, что небольшие исследования публикуются только в том случае, если они находят большие размеры эффекта или другие источники предвзятости. Последний проверяет, является ли число исследований со статистически значимыми результатами больше, чем ожидалось, что может свидетельствовать о том, что исследования публикуются только в том случае, если они найдут статистически значимые результаты или другие источники предвзятости.
3. Нажмите кнопку оценки фактических данных из верхнего инструментария, выберите основной анализ ("MyTest" по умолчанию) из окна списка и нажмите OK. Через несколько секунд SDM-PSI автоматически откроет MRICron, чтобы показать классы доказательств.

Как показано на карте, открытой в MRICron при пороговом значении основного анализа(рисунок 2, шаг 7.6), пациенты с OCD имели статистически значительно меньший объем серого вещества в презаточной передней cingulate/medial лобной коре. Сопроводительный веб-страницы подробно, что кластер умеренно мал (143 воксели) и в основном расположен в районе Бродман 32, и что пик кластера находится на МНИ No 2, 32, 32 ", имеет z-значение -4,97 и FWER-скорректированный p-значение 0,01.

На веб-страницах, полученных в шагах 8.1 и 8.2, статистика I2 с низким i² (1,5%) указывает на очень небольшую неоднородность, график воронки не показывает асимметрии(рисунок 3),и оба теста для эффекта малого исследования и тест на превышение значимости являются отрицательными. Тем не менее, доказательства меньшего объема серого вещества в предшествующей передней cingulate коры умеренно слабы, как показано на карте, открытой в MRICron при классификации доказательств, особенно из-за ограниченного объема данных.

Когда основной анализ был пороговым с использованием менее строгого уровня статистической значимости (шаг 7.3), пациенты также показали статистически значительно больший объем серого вещества в стриатуме и превосходной теменной извилине (неисправленные p-значения 0.00006 и 0.0002 соответственно), но доказательства этих аномалий следует считать более слабыми.

Рисунок 1: Основное окно графического пользовательского интерфейса SDP-PSI во время среднего исполнения. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 2: Регионы статистически значительно меньше гостевых веществ у пациентов с обсессивно-компульсивным расстройством по сравнению с соответствующими здоровыми элементами управления.
Кластер статистической значимости охватывает 143 воксели, имеет свой пик в MNI (2,32,32) и включает в себя в основном дорсальный передний cingulate/medial frontal cortex, область Бродманна 32. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 3: График воронки для пика скопления статистически значительно меньше гостем серого вещества объема в передней корицы. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Таблица 1: Список программных пакетов и стереотактических пространств, понятных SDM-PSI.

Таблица 2: Знак t-значений пиков.

Как было представлено ранее, большинство мета-аналитических методов на основе вокселя используют тест для сближения пиков, который имеет некоторые ограничения, а затем проводят двоичную классификацию доказательств исключительно на основе p-значений.

В этом протоколе мы подробно описали, как проводить мета-анализ на основе вокселя с использованием SDM-PSI, который имеет ряд положительных особенностей, включая стандартный тест на перестановку для оценки статистической значимости эффектов. Кроме того, мы показываем, как можно оценить силу доказательств с помощью набора критериев, выходящих за рамки двоичной классификации, которая опирается исключительно на один уровень статистической значимости.

Чтобы облегчить репликацию примера мета-анализа, мы предоставляем данные, уже извлеченные из рукописей из предыдущего мета-анализа. Интересно, что в рукописи этого мета-анализа, доказательства "кажется" сильнее, чем доказательства, которые мы нашли с обновленными методами. Поэтому мы предлагаем, чтобы несистематические оценки доказательств в предыдущих мета-анализах на основе вокселя были приняты с осторожностью.

Мы надеемся, что после этого протокола, нейровизуальных мета-анализов обеспечить более богатое и более granulate описание доказательств нейровизуализации выводы.

Авторам нечего раскрывать.

Эта работа была поддержана Мигелем Серветом Research Contract MS14/00041 и исследовательским проектом PI14/00292 от Плана Национального из-за 2013-2016 гг., Институт Салуд Карлос III-Subdireccion Генеральный де Evaluacion у Fomento де ла Investigacion, Европейский фонд регионального развития (FEDER), и PFIS Предокторальный контракт FI16/00311. Спонсоры не принимали никакого значения в разработке и проведении исследования; сбор, управление, анализ и интерпретация данных; подготовка, обзор или утверждение рукописи; и решение о представлении рукописи для публикации.