Fröbaserad d-kartering

Seed-based d-mapping (tidigare Signed differential mapping ) eller SDM är en statistisk teknik skapad av Joaquim Radua för metaanalys av studier om skillnader i hjärnaktivitet eller struktur som använde neuroimaging- tekniker som fMRI , VBM , DTI eller PET . Det kan också hänvisa till en specifik mjukvara som skapats av SDM-projektet för att utföra sådana metaanalyser.

Den fröbaserade d-kartläggningsmetoden

Översikt över metoden

SDM anammade och kombinerade olika positiva egenskaper från tidigare metoder, såsom ALE eller MKDA, och introducerade en rad förbättringar och nya funktioner. En av de nya funktionerna, som introducerades för att undvika positiva och negativa fynd i samma voxel som sett i tidigare metoder, var representationen av både positiva skillnader och negativa skillnader i samma karta, och på så sätt erhöll en signerad differentialkarta (SDM). En annan relevant funktion, som introducerades i version 2.11, var användningen av effektstorlekar (som leder till effektstorlek SDM eller 'ES-SDM'), som tillåter kombination av rapporterade toppkoordinater med statistiska parametriska kartor, vilket möjliggör mer uttömmande och exakta meta- analyser.

Metoden har tre steg. Först väljs koordinater för klustertoppar (t.ex. de voxlar där skillnaderna mellan patienter och friska kontroller var störst), och statistiska kartor om tillgängliga, enligt SDM-inklusionskriterier. För det andra används koordinater för att återskapa statistiska kartor, och effektstorlekskartor och deras varianser härleds från t-statistik (eller motsvarande från p-värden eller z-poäng ). Slutligen metaanalyseras individuella studiekartor med olika tester för att komplettera huvudresultatet med känslighets- och heterogenitetsanalyser .

Inklusionskriterier

Det är inte ovanligt i neuroimagingstudier att vissa regioner (t.ex. a priori- regioner av intresse ) är mer liberalt trösklar än resten av hjärnan . En metaanalys av studier med sådana regionala skillnader i tröskelvärden inom studien skulle dock vara partisk mot dessa regioner, eftersom de är mer benägna att rapporteras bara för att författarna tillämpar mer liberala trösklar i dem. För att komma till rätta med detta problem introducerade SDM ett kriterium vid valet av koordinater: medan olika studier kan använda olika trösklar, bör du se till att samma tröskelvärde i hela hjärnan användes inom varje inkluderad studie.

Förbearbetning av studier

Efter konvertering av statistiska parametriska kartor och toppkoordinater till Talairach space skapas en SDM-karta för varje studie inom en specifik mall för grå eller vit substans. Förbearbetning av statistiska parametriska kartor är enkel, medan förbearbetning av rapporterade toppkoordinater kräver återskapande av skillnadsklustren med hjälp av en onormaliserad Gaussian Kernel , så att voxlar närmare toppkoordinaten har högre värden. En ganska stor full bredd vid halva max (FWHM) på 20 mm används för att ta hänsyn till olika källor till rumsliga fel, t.ex. samregistreringsfelmatchning i studierna, storleken på klustret eller platsen för toppen i klustret. Inom en studie summeras värden som erhållits av nära gaussiska kärnor , även om värden kombineras med kvadrat-distansvägt medelvärde.

Statistiska jämförelser

SDM tillhandahåller flera olika statistiska analyser för att komplettera huvudresultatet med känslighets- och heterogenitetsanalyser .

• Den huvudsakliga statistiska analysen är medelanalysen , som består i att beräkna medelvärdet av voxelvärdena i de olika studierna. Detta medelvärde vägs med inversen av variansen och står för interstudiens heterogenitet ( QH - kartor).
• Subgruppsanalyser är medelanalyser som tillämpas på grupper av studier för att möjliggöra studiet av heterogenitet .
• Linjära modellanalyser (t.ex. metaregression) är en generalisering av medelvärdesanalysen för att möjliggöra jämförelser mellan grupper och studier av möjliga förväxlingar . En låg variabilitet av regressorn är kritisk vid metaregressioner, så de rekommenderas att förstås som utforskande och att vara mer konservativt tröskelvärda.

• Jack-knife-analys består i att upprepa ett test så många gånger som studier har inkluderats, kassera en annan studie varje gång, dvs att ta bort en studie och upprepa analyserna, sedan lägga tillbaka den studien och ta bort en annan studie och upprepa analysen, och så på. Tanken är att om en betydande hjärnregion förblir signifikant i alla eller de flesta av kombinationerna av studier kan man dra slutsatsen att detta fynd är mycket replikerbart.

Den statistiska signifikansen av analyserna kontrolleras med vanliga randomiseringstester . Det rekommenderas att använda okorrigerade p-värden = 0,005, eftersom denna signifikans i denna metod har visat sig vara ungefär lika med ett korrigerat p-värde = 0,05. En falsk upptäcktsfrekvens (FDR) = 0,05 har visat sig vara för konservativ i denna metod. Värden i en Talairach-etikett eller -koordinat kan också extraheras för vidare bearbetning eller grafisk presentation.

SDM programvara

SDM är programvara skriven av SDM-projektet för att underlätta metaanalysen av voxelbaserade neuroavbildningsdata . Det distribueras som gratisprogram inklusive ett grafiskt gränssnitt och en meny/kommandoradskonsol. Den kan också integreras som en SPM -förlängning.

externa länkar

• SDM- programvara och dokumentation från SDM-projektet.