腦成像數(shù)據(jù)的元分析-ALE原理與操作

1、腦成像元分析的背景簡介腦成像數(shù)據(jù)元分析的發(fā)展元分析元分析 (Glass, 1976)“將現(xiàn)有研究整合并對其結(jié)果進行綜合分析的統(tǒng)計方法統(tǒng)計方法”腦成像數(shù)據(jù)元分析的發(fā)展(胡傳鵬等, 2015)腦成像研究的數(shù)量腦成像研究的數(shù)量腦成像數(shù)據(jù)元分析的發(fā)展元分析對腦成像研究的意義元分析對腦成像研究的意義 (Wager et al., 2007; Eickhoff et al., 2009)v 單個腦成像研究的被試數(shù)量普遍較少，結(jié)果不夠穩(wěn)定；v 單個腦成像的結(jié)果很可能受到特定的實驗操作（如，掃描參數(shù)）的影響；v 單個腦成像研究對某個腦區(qū)功能的解釋往往局限于使用的單個或幾個任務。 (e.g., vmPFC=se

2、lf-reflection?)-單個腦成像研究的局限性單個腦成像研究的局限性(Wager et al., 2007)腦成像數(shù)據(jù)元分析的發(fā)展腦成像技術(shù)：腦成像技術(shù)：where? (位置信息位置信息) 坐標信息 (x, y, z)最大激活點的坐標(x, y, z)腦成像數(shù)據(jù)元分析的發(fā)展腦成像的元分析：對不同研究中位置信息的整合腦成像的元分析：對不同研究中位置信息的整合早期腦成像數(shù)據(jù)的早期腦成像數(shù)據(jù)的 “元分析元分析”：對不同研究中報告的：對不同研究中報告的位置信息的主觀描繪位置信息的主觀描繪(Peyron, 2000)(Joseph, 2000)Activation likelihood esti

3、mation (激活似然性估計，激活似然性估計，ALE, Turkeltaub et al., 2002)目標：目標：最大化地量化量化研究間位置信息的一致性；盡可能減小分析方法的主觀性。腦成像數(shù)據(jù)元分析的發(fā)展主觀的描述主觀的描述客觀的統(tǒng)計客觀的統(tǒng)計ALE的計算的計算 (Turkeltaub et al., 2002)概念：概念：把每個激活點擬合成一個概率分布 也即這個激活點落在大腦每個voxel上的概率大?。号c激活點越近的voxel，概率越大。腦成像數(shù)據(jù)元分析的發(fā)展文獻中報告的激活點一個激活點落在大腦每個voxel上的概率。（d為每個voxel與激活點之間的距離；為分布的方差）ALE的計算的計

4、算 (Turkeltaub et al., 2002)腦成像數(shù)據(jù)元分析的發(fā)展ALE：至少有一個激活點落在某個voxel內(nèi)的概率。ALE=第i個激活點落在某個voxel內(nèi)的概率。一個激活點落在大腦每個voxel上的概率。相關(guān)研究中報告的所有激活點ALE的統(tǒng)計檢驗的統(tǒng)計檢驗 (Turkeltaub et al., 2002)Permutation test (置換檢驗)v 零假設：激活點沒有重合，所有重合都是隨機因素導致的v 假設元分析采集到了100個坐標（激活點）；則產(chǎn)生100個隨機坐標，然后根據(jù)這些隨機坐標計算出大腦中每個voxel在零假設下的ALE值（如，重復1000次，然后求均值）產(chǎn)生零假

5、設分布；v 通過比較實際ALE值與隨機坐標產(chǎn)生的ALE值，來確定顯著性。腦成像數(shù)據(jù)元分析的發(fā)展ALE的統(tǒng)計檢驗的統(tǒng)計檢驗 (Turkeltaub et al., 2002)Permutation test (置換檢驗)在H0分布下，ALE為5.7210-3的概率為0.0001。因此，如果設置=0.0001為顯著水平，那ALE值大于5.7210-3的voxel都視為顯著（也即至少有一個激活點落在這個voxel內(nèi)）。腦成像數(shù)據(jù)元分析的發(fā)展ALE的優(yōu)點的優(yōu)點 (Turkeltaub et al., 2002)v 自動化的分析v 除了位置信息外，也有對一致性水平的量化 (ALE值)v 具備顯著性檢驗，

6、得到的結(jié)論有統(tǒng)計上的支持腦成像數(shù)據(jù)元分析的發(fā)展早期早期ALE算法的缺點：算法的缺點：以激活點為單位，在每個以激活點為單位，在每個voxel上，求出所有激活點對應概率上，求出所有激活點對應概率的的聯(lián)合概率（即聯(lián)合概率（即ALE值）。值）。v 忽略了研究間的變異，屬于固定效應的統(tǒng)計推斷 (fixed-effects inference): 元分析的結(jié)論不能推廣到該元分析未包含的研究 (胡傳鵬等, 2015; Eickhoff et al., 2009)。v 報告了較多激活點的研究對元分析的影響更大，甚至主導元分析的結(jié)果 (Wager et al., 2007)。腦成像數(shù)據(jù)元分析的發(fā)展ALE的改進算

7、法的改進算法 (Eickhoff et al., 2009)腦成像數(shù)據(jù)元分析的發(fā)展ALE/MA=Modeled activation (MA) map某個某個voxel在特定一個實驗中激活的可能在特定一個實驗中激活的可能性性第一第一步：在每個實驗的內(nèi)部先做一次整合步：在每個實驗的內(nèi)部先做一次整合類比類比：把每個實驗看做一個“被試”；每個voxel看做一個實驗條件；每個實驗報告出來的激活點看做一個采集到的數(shù)據(jù)點。第一步的整合 “” 對每個被試各個條件下的所有數(shù)據(jù)點求和。第一步整合的結(jié)果：每個實驗在每個第一步整合的結(jié)果：每個實驗在每個voxel上，都有只一個上，都有只一個MA/ALE值。值。腦成像

8、數(shù)據(jù)元分析的發(fā)展Modeled activation (MA) map跨實驗的整合跨實驗的整合第二步：以實驗第二步：以實驗 (“被試被試”)為單位，計算每個為單位，計算每個voxel上的總上的總ALE值，并做統(tǒng)計檢驗。值，并做統(tǒng)計檢驗。結(jié)果：每個結(jié)果：每個voxel的總的總ALE值值統(tǒng)計檢驗：統(tǒng)計檢驗：零假設：元分析中各實驗的零假設：元分析中各實驗的MA map之間沒有重合，所有重合均之間沒有重合，所有重合均是隨機因素導致的。是隨機因素導致的。置換檢驗：置換檢驗：零零分布分布：從每個實驗的：從每個實驗的MA圖中各自隨機抽一個坐標點和對應的圖中各自隨機抽一個坐標點和對應的MA值，根據(jù)這些值，根據(jù)

9、這些MA值算出一個總值算出一個總ALE值。值。重復重復1011次，每次能得到一個總次，每次能得到一個總ALE值。構(gòu)建出零分布。根據(jù)不同值。構(gòu)建出零分布。根據(jù)不同ALE值在零分布中出現(xiàn)的概率，確定顯著性水平。值在零分布中出現(xiàn)的概率，確定顯著性水平。ALE的改進算法的改進算法 (Eickhoff et al., 2009)ALE算法進一步的優(yōu)化：算法進一步的優(yōu)化：腦成像數(shù)據(jù)元分析的發(fā)展Eickhoff et al., 2012 (NeuroImage): 以MA值為單位代替以voxel為單位，減少了迭代次數(shù)，加快了運算速度；Turkeltaub et al., 2012 (Human Brain

10、Mapping): 取最大值代替求和的方法，進一步減少單個實驗對結(jié)果的影響。 腦成像元分析的步驟腦成像元分析的步驟腦成像元分析的步驟1. GingerALE: /ale/ (鄧沁麗, 2015)腦成像元分析的步驟使用到的軟件：使用到的軟件：腦成像元分析的步驟使用到的軟件：使用到的軟件：2. Mango: /mango用于結(jié)果呈現(xiàn)用于結(jié)果呈現(xiàn)第一步：選好主題，查找和篩選文獻第一步：選好主題，查找和篩選文獻1.1. 選好元分析的主題選好元分析的主題v 工作記憶 (Nee et al., 2013);v Go/No-go 任

11、務 (2008);v 獎賞加工 (Bartra et al., 2013);v 社會決策 (Feng et al., 2015).v 共情與自身疼痛感受是否 基于共同的神經(jīng)機制 (Lamm et al., 2011);v 自傳體記憶、展望未來、心理理論以及默認網(wǎng)絡是否基于共同的神經(jīng)機制 (Spreng et al., 2009);v 初級和次級獎賞的加工是否基于共同的神經(jīng)機制 (Sescousse et al., 2013)v 自己接受獎賞與觀看別人接受獎賞是否基于共同的神經(jīng)機制 (Morelli et al., 2015);腦成像元分析的步驟單個任務對應的神經(jīng)機制：單個任務對應的神經(jīng)機制：多

12、個任務共同的神經(jīng)機制：多個任務共同的神經(jīng)機制：第一步：選好主題，查找和篩選文獻第一步：選好主題，查找和篩選文獻1.2. 查找和篩選文獻查找和篩選文獻v 查找途徑：查找途徑： google學術(shù) (https:/ /) PubMed (/pubmed/) ISI Web of Science (http:/ 已查找文獻的引用列表 相關(guān)領域綜述的引用列表v 文獻篩選：文獻篩選： 被試群體：如，正常成人被試； 是否使用fMRI技術(shù)； 使用的是全腦(whole-brain)分析，而不是感興趣區(qū)(ROI)分析

13、； 報告了感興趣的統(tǒng)計結(jié)果； 激活坐標報告在標準空間里 (如MNI，Talairach).腦成像元分析的步驟v 查找查找內(nèi)容內(nèi)容： 與主題相關(guān)的幾個關(guān)鍵詞 fMRI/functional fairness/fair/ultimatum game第二步：采集坐標點第二步：采集坐標點v 需要提供的信息（規(guī)定的格式）：需要提供的信息（規(guī)定的格式）： 標準空間的類型（第一行）：MNI或者Talairach; 文獻信息： / 作者名，年份等； / Subjects=N (被試量的信息) 坐標點。每個點一行 不同文獻之間需要有一個空行； 注意MNI與Talairach空間之間的轉(zhuǎn)換。腦成像元分析的步驟第三

14、步：使用第三步：使用GingerALE進行元分析進行元分析3.1. 計算計算ALE (activation-likelihood-estimation)腦成像元分析的步驟v Eickhoff et al., 2012 (NeuroImage): v Turkeltaub et al., 2012 (Human Brain Mapping): 內(nèi)置在GingerALE軟件里的算法第三步：使用第三步：使用GingerALE進行元分析進行元分析3.2. 矯正結(jié)果：矯正結(jié)果： Settings腦成像元分析的步驟第三步：使用第三步：使用GingerALE進行元分析進行元分析3.2. 矯正結(jié)果矯正結(jié)果關(guān)于

15、FDR的bug (在2.3.3以后的版本中更正)FDR矯正的原理：矯正的原理： 假設有N個比較，對應有N個p值。 i). 所有p值從小到大排序：p(1), p(2), p(3).p(N)；ii). 若想控制FDR不能超過q，則只需找到最大的正整數(shù)i，使得 p(i) 公平對待公平對待 信任游戲信任游戲 (trust game)的被投資者的被投資者: 返還決定時的腦活動返還決定時的腦活動文獻查找：文獻查找： Google學術(shù)學術(shù), PubMed等等基于坐標的元分析關(guān)鍵詞：關(guān)鍵詞：normative decision making, fair, altruistic punishment, ultimatum game, trust, trust game, investment game, trustor, investor, trustee, trustworthiness, reciprocity, fMRI