经典脑成像研究的元分析示例（决策篇）

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

关于元分析(meta-analysis)研究，我们需要了解元分析是什么；为什么要进行元分析；如何进行元分析。俗称元分析三问：What，Why，How。

What?

元分析是一种统计技术，用于结合特定主题的多篇研究的数据进行统计分析。它在循证医疗领域中发挥着重要作用。与其他研究设计(如随机对照试验或队列研究)相比，在循证医疗中，元分析位于“证据水平”金字塔的顶端。

Why?

不能基于单个研究的结果来判断干预的有效性或假设的有效性，因为结果通常因研究的不同而不同。通过结合各个研究的数据，可以提高估计的精度。元分析采用的是客观公式(就像人们在单个研究中使用统计数据一样)，可以用于任何数量的研究。

How?

以下是元分析的基本步骤[小伙伴们也可以查看往期推文不用做实验也能发论文——带你看懂元分析了解更多详情]。

1.确定/阐述一个问题。

2.文献搜索：需要搜索多个数据库，如PubMed、Web of science 等等。

3.文献筛选：决定选择/纳入标准。

4.文献编码：提取文献中感兴趣的数据信息，将其汇集(合并)到最终的分析集中。

5.元分析。

元分析过程

接下来，我们以经典脑成像研究的元分析为例[原文：Functional localization and categorization of intentional decisions in humans: A meta-analysis of brain imaging studies]。

1.确定/阐述一个问题

研究者认为意图决策的脑成像研究通常采用自由选择范式，即参与者在具有相同价值或结果的选项中进行选择。虽然内侧前额叶皮层通常与选择有关，但对于构成各种意图决定和行为基础的更广泛的脑网络，人们还没有达成共识。

本研究的目标：①为了识别意图决策持续激活的大脑区域，对意图决策的 BOLD-fMRI 或 PET 研究进行系统搜索，并进行激活似然估计(ALE)元分析。②进一步的对比和关联元分析，评估不同类型意图行为研究报告的大脑激活的差异和共同点。③进行探索性的数据驱动分析，测试意图行为的 BOLD-fMRI/PET 模式是否符合特定的认知过程。

研究假设：假设通过 ALE 对比分析，进一步验证在一种自由选择范式下，大脑的某些区域更有可能被激活；假设认知过程支撑意图行为，其中不同的认知过程与人类大脑的特定网络有关。

2.文献搜索

根据 PRISMA 指南(参见Moher等人(2015)的文章Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015 statement)进行系统的文献检索，以确定意图选择的脑成像研究。文献搜索是在 PubMed 和 PubMed Central (PMC) 数据库上进行的。使用指定的关键词搜索 PubMed 数据库：("volitional decision"，"volitional choice"，"voluntary decision"，"intended decision"，"intentional decision"，"voluntary choice"，"intended choice"，"intentional choice"，"free decision"，"free choice"，"volitional action"，"voluntary action"，"intended action"，"intentional action"，"free action"，"volitional selection"，"voluntary selection"，"intended selection"，"intentional selection"，"free selection")和("fMRI"，"functional Magnetic Resonance Imaging"，"BOLD"，"Blood Oxygen Level-Dependent"，"Positron Emission Tomography")。对于 PMC 数据库，在查询中使用相同的关键词，并设置搜索字段的过滤为 Body-Key Terms，以约束搜索的具体范围。删除 PubMed 和 PMC 数据库的重复搜索结果，截至 2020 年 10 月共发表了 332 篇论文。

3.文献筛选

纳入标准：①研究报告的第一手数据来自实验，而不是综述或元分析。332 篇出版物中有291 篇符合这一标准。②研究包括来自健康成人参与者的结果。291 篇出版物中有 239篇符合这一标准。③研究采用了意向选择范式，并报告了意向选择与特定反应条件的fMRI/PET 比。239 篇出版物中有37 篇符合这一标准。④研究利用MNI 或 Talairach 坐标的簇峰进行全脑分析。37 篇出版物中有 34 篇符合这一标准。⑤如果同一研究中报告了同一组被试的多个对照，则 meta 分析中只计入一个对照。

4.文献编码

根据文献信息(作者名和发表年限)、样本量、成像模式、实验范式、元分析中所使用的相应比来进行编码。

文献编码截图

5.元分析

①意图决策的元分析：在所有35个实验中，对自由选择和特定反应的对比进行Ginger-ALE元分析，在额顶神经网络中产生了与意图行为相关的更大的BOLD-fMRI/PET激活(图2)。分析确定了7个簇中有19个峰，包括双侧前辅助运动区(pre-SMA)、双侧前扣带皮层(ACC)、双侧背外侧前额叶皮层(dlPFC)、双侧顶下叶(IPL)、右侧前运动区(pre-SMA)和左侧前岛叶皮层(AIC)。ALE元分析的内侧前额叶簇从Y=6(后部)延伸到Y=34(前部)。该簇团中的体素主要与HCP-MMP中的五个ROI之一相交：a24pr(腹侧ACC)、p24(腹侧ACC)、d32(背侧ACC)、8BM(前SMA)和 SCEF(辅助和扣带回视野)。内侧前额叶簇的后边界位于 SCEF (布罗德曼区6)。

图2

②意图决策范式对比的元分析：为了研究不同类型的意图行为是否与选择性大脑反应有关，研究者根据实验范式的特点，将意图决策研究分为四类(如图1所示)：反应意图(RI)、知觉意图(PI)、抑制意图(II)、其他高级认知意图(CI)。

图1

RI 范式中的自由选择与 6 个簇的 13 个峰区激活密切相关，包括双侧前 SMA 和 ACC、双侧 IPL、双侧前额叶和右侧前运动区。PI 范式中，分析显示在双侧前额叶区、左前 ACC 和前 SMA 簇中有4 个簇，8 个峰区。在 II 范式中，双侧 IPL、右侧前运动区、双侧前额叶区和右侧前 SMA 有 7 个簇，14 个峰区。CI 范式的元分析没有观察到显著的结果，可能是由于这类研究的数量有限。为了量化不同类型意图行为研究中大脑激活的差异和趋同，研究者进行了进一步的对比和关联元分析，将 PI 范式(涉及知觉加工)和 II 范式(涉及抑制加工)与最基本的范式(即 RI 范式)进行比较。对比元分析显示，与 RI 范式相比，II 范式下双侧 IPL 更容易激活(图3B)。PI 范式和 RI 范式之间没有显著差异。关联元分析显示，在 PI 和 RI 范式的研究中，双侧前 SMA/ACC 复合体和左侧 dlPFC 在意图行为中通常被激活，而在 II 和 RI 范式中，通常也能观察到右侧IPL和右侧前 SMA 的激活(图3A)。

图3

③意图决策的元分析解码：为了探究意图决策背后的认知过程，研究者评估了来自元分析的 ALE 激活图和 100 个关联测试图之间的空间相似性(即体素间的皮尔逊相关)。关联测试图的高相关系数意味着相关认知过程的潜在参与。这一探索性分析显示，在所有研究的意图决策元分析中发现的额顶叶网络与几个心理主题密切相关。前三名分别是工作记忆(R=0.445)、任务规则(R=0.392)和认知控制(R=0.366)(图4)。

图4

元分析解码显示出，在意图决策中，fMRI/PET 反应的空间收敛性与先前的认知控制、工作记忆和冲突等认知术语的研究结果相似。元分析解码分析不是解释单个大脑区域的认知功能，而是定量地将意图决策的全脑ALE结果与先前的成像结果关联起来。该研究者进行的探索性分析表明，意图决策和其他认知范式之间重叠的脑图，可能会导致新的假设和预测的发展。参与意图决策的大脑区域与多个需求网络紧密重叠，这是一种与不同认知需求相关的任务共激活模式。对文献的进一步研究表明，该网络的子成分可能在意图决策过程中发挥不同的认知作用，这也得到了本研究中元分析解码结果的支持。

总而言之，本研究的元分析发现，当人们可以自由地在多个选项中做出有意的选择时，大脑网络会一直被激活。这个网络的一些组成部分是在自由选择范式的子类别中被激活的。意图决策涉及多种认知和计算过程，它们共同在塑造和维持意志控制中发挥着重要作用。

经典脑成像研究的元分析示例（决策篇）相关推荐

经典算法研究系列：十、从头到尾彻底理解傅里叶变换算法、下
经典算法研究系列:十.从头到尾彻底理解傅里叶变换算法.下作者:July.dznlong 二零一一年二月二十二日推荐阅读:The Scientist and Engineer's Guide t ...
经典算法研究系列：十、从头到尾彻底理解傅里叶变换算法、上
经典算法研究系列:十.从头到尾彻底理解傅里叶变换算法.上作者:July.dznlong 二零一一年二月二十日推荐阅读:The Scientist and Engineer's Guide t ...
经典算法研究系列：八、再谈启发式搜索算法
经典算法研究系列:八.再谈启发式搜索算法作者:July 二零一一年二月十日本文参考: I. 维基百科. II. 人工智能-09 启发式搜索. III.本BLOG内,经典算法研究系列:一.A ...
如何搭建量化投资研究系统？（数据篇之财务数据）
股票市场的存在为企业融资提供了一个自由开放的环境,在这里投资者们将资金配置于他们认为的优秀.稳健.有潜力的企业,无数的投资决策汇聚而成的"群体智慧"影响着整体的经济运行,最终促进社 ...
经典算法研究系列：二、Dijkstra 算法初探
经典算法研究系列:二.Dijkstra 算法初探 July 二零一一年一月 ====================== 本文主要参考:算法导论第二版.维基百科. 写的不好之处,还望见谅. 本 ...
手撕 CNN 经典网络之 VGGNet（PyTorch实战篇）
大家好,我是红色石头! 在上一篇文章: 手撕 CNN 经典网络之 VGGNet(理论篇) 详细介绍了 VGGNet 的网络结构,今天我们将使用 PyTorch 来复现VGGNet网络,并用VGGNet ...
遗传算法经典实例代码_经典算法研究系列之深入浅出遗传算法
关注数学,关注AI,关注我们公众号ID:Math-AI 经典算法研究系列遗传算法 1 初探遗传算法 Ok,先看维基百科对遗传算法所给的解释: 遗传算法是计算数学中用于解决最优化的搜索算法,是进化算法 ...
全部博文集锦第三期CHM文件，及十三个经典算法研究PDF文档
最近一直忙于找工作中,所以博客未能及时更新,乱七八糟的信息在微博上倒是发了不少.再者,csdn博客这段时间之内一直在改版,本想等它彻底改好了,再发表文章.不过,现在看来,还是算了. 做点实事吧 ...
经典算法研究系列：七、深入浅出遗传算法，透析GA本质【转载】
本文由July 发表在他的博客中,原文参见http://blog.csdn.net/v_JULY_v/archive/2011/01/12/6132775.aspx,对遗传算法分析的很透彻,是学习算法 ...
python入门经典代码-python经典入门学习锦集就这篇够了，强烈建议收藏！
原标题:python经典入门学习锦集就这篇够了,强烈建议收藏! Python 简介 Python 是一种高层次的结合了解释性.编译性.互动性和面向对象的脚本语言.Python 由 Guido van ...

经典脑成像研究的元分析示例（决策篇）

经典脑成像研究的元分析示例（决策篇）相关推荐

最新文章

热门文章