神经影像的mate

神经影像中mate分析跟心里学中的mate分析很相似，主要的思路叶很相似，不过应用的目标不同而已。的在心理学研究中, 传统的元分析方法主要是基于效应量(effect size)的统计分析。在神经成像的元分析中 , 也有部分研究者沿用这种思路。认知神经科学的主要研究问题是寻找认知加工过程与大脑空间位置的对应关系, 且神经成像研究通常报告的是几种条件对比(contrast)下激活脑区的峰值坐标(即激活峰值点, foci)。从这个角度来讲, 寻找多个研究中激活位置的一致性更加符合当前神经成像研究的特点。因此, 基于文献报告的坐标数据而进行的元分析(coordinates-based meta-analysis, CBMA)逐渐成为神经成像数据元分析的主流。在这里重点注意下coordinates-based，是基于坐标的。先放下mate分析的主要流程，普及一下

一般都是分为6步进行，每一步都要准确论述，不能有缺陷。在神经影像学的mate分析中，也是遵行这6个步骤，下面利用ALE为例子来进行mate分析

ALE（Activation Likelihood Estimation）激活概率估计法，简而言之，就是在估计在某一任务状态下，脑子内各个脑区共激活的概率估计，下面进行其原理的具体概述

MKDA (Multi-level Kernel Density Analysis)多水平核密度分析法,。MKDA 主要是统计以激活脑区峰值坐标为中心, 以 r 为半径的球(核)内, 激活的密度分布值。通过已有研究中报告的坐标,MKDA 根据高斯分布来计算出每个体素的激活密度分布后, 将每个体素上的密度值与随机产生的零假设分布进行比较来进行显著性检验, 并使用多重比较校正来控制假阳性。

其原理主要是计算每个实验中每个体素在某种条件下被激活的可能性并对此进行统计。具体而言, ALE 方法首先分别计算每个实验中某种条件下全脑范围内每个体素的激活可能性(Activation Likelihood),然后检验体素跨实验激活的稳定性。神经成像文献中通常报告激活脑区中激活值最大的点坐标,但实际的激活脑区是由数十数百体素组成。因此在进行元分析时, 需要将点坐标还原为一定体积的 3D 空间, 以更好地模拟激活的脑区。

为了达到这一目的, ALE 方法对全脑的体素被包含在某个激活峰值点所代表脑区的可能性进行如下假设：这种可能性是以激活峰值点为中心, 呈 3D 高斯分布。在这个分布中, 靠近激活峰值点位置的体素的激活可能性高, 而距离激活峰值点较远的体素的激活可能性低（MKDA在这个地方省略了假设服从高斯分布，去最短距离的过程，取代的是以r为半径的一个圆的区域作为一个cluster，后面的就是一样的了）。基于这一思路, ALE 方法可以计算出全脑范围每个体素的激活可能性。以激活可能性为指标, ALE 方法可以计算每个体素跨实验激活的可能性, 并对这种可能性进行假设检验,从而得到多个实验中大脑激活的一致性。mark：这种原始的方法只是在自己包含的study里面进行，而且是以峰值为单位而不是以实验为单位，所以在一定程度，忽略了实验的变异程度，所以在一定程度上是不可靠的。所以在后面，有人提出了随机效应推断(random-effect inference)的 ALE 算法, 以每个实验为单位来计算该元分析的激活分布图，这样让结果更加的可靠。

为估计每个体素在某种条件下跨实验激活的可能性, ALE 方法首先分别计算每个实验的“模型化激活图” (modeled activation map, MA)。具体而言, ALE 方法通过如下两步来计算单个实验的MA 图。首先, 通过 3D 高斯模拟计算每个体素被包括在每个激活峰值点所代表脑区的概率。假设Xi 表示的是某个体素被包含在第 i 个激活峰值点所代表的脑区之中 , 那

其中 di 是指从体素的中心位置到第 i 个激活峰值点的几何距离; σ 为高斯分布的标准差, 这个值的大小与 fMRI 数据平滑处理中 FWHM 有关,可以根据被试样本量和所使用的大脑模板之间的差异进行调整。这样得到的Pr(Xi)的取值范围为[0, 1].

计算出每个实验的 MA 图之后, ALE 方法对每个实验的 MA 图以体素为单位进行联合, 从而得到每个体素跨实验的激活可能性。随后对每个体素跨实验的激活可能性进行显著性检验。ALE方法的零假设(null hypothesis)是：元分析中各实验的 MA 图之间没有重合, 所有的重合均是随机因素导致。在最新的算法中, 将每个实验 MA 图按照每个体素的 MA 值进行排列后转化为直方图,从而得到包含每个体素有效 MA 值但不包括该体素空间位置信息的直方图。随后, 将每个实验 MA 图的直方图进行相继联合得到零假设分布。具体而言,先将两个实验 MA 图的直方图整合起来得到联合的直方图。然后, 将此联合直方图与第三个实验MA 图的直方图整合, 直到将所有实验的 MA 图的直方图均整合起来, 得到零假设的分布。计算出跨实验的 MA 图和相应的零假设分布图之后, 即可进行显著性检验, 即检验每个体素实际的跨实验激活可能性与零假设分布中相应的激活可能性是否有显著差异。显著性检验后, 每个体素均会得到统计检验的 p 值。如果 p 值小于一个特定的阈值, 则可拒绝零假设, 认为此体素确实出现在至少一个激活峰值点所代表的脑区内。为克服多重比较带来的假阳性问题, 研究者们使用严格的多重比较校正方法, 如错误发现率法(false discovery rate, FDR)和族错误率法(familywise error rate, FWE) 。对于经过严格的 FDR 或者 FWE 方法检验后得到显著结果的体素, 其意义就是：在元分析的多个实验中, 此体素稳定地被激活。为了得到显著激活的脑区, ALE 方法根据每个体素的 p 值, 找出显著且空间上相连的体素,即体素簇(cluster)。ALE 方法会记录下这些簇的统计指标, 包括体积、界限、中心坐标和该区域内峰值 ALE 值。显著激活的簇可以通过现有的大脑图谱工具包(如 SPM Anatomy Toolbox, (Eickhoffet al.,2005))进行标记, 从而得到显著激活的脑区解剖位置。

参考文献： 神经成像数据的元分析 胡传鹏 1邸 新 2李佳蔚 1隋 洁 1彭凯平 1，清华大学心理系