前言
神经成像元分析是神经成像技术的一种文献统计方法,已经被广泛用于汇总同一领域研究结果,寻找跨研究的结构和功能一致性。进行完元分析(meta-analysis)的主效应计算后,需要进行事后检验,确认每篇研究的贡献程度。笔者在学习机器学习的时候就发现有一个重要步骤是检验特征的贡献率,可以让我们更好的理解模型运作方式,知道哪些特征对预测结果有显著影响。
而脑成像元分析的事后分析也是如此,可以让我们识别和消除统计中潜在的偏见。并且检查贡献可以帮助我们确认结果是否是由某些特殊研究驱动的,可以让我们对结果有更具体的解释。
本文将会介绍确认贡献的各种方法:
目录
2.汇总统计值法(Summarized test-value)
1.直接记数法
直接识别和记录每篇研究报告的峰值(Foci)坐标有多少直接存在在结果的簇(Cluster)里/或存在在2标准差范围内。
有更多Foci点存在在结果范围内的研究贡献值更大。
2.汇总统计值法(Summarized test-value)
通过计算对结果簇的汇总统计值(ALE,density...)贡献的比率,从而估计删除某项研究会使结果某簇的汇总统计值减少多少。
![](https://i-blog.csdnimg.cn/direct/eaa93a646fd041129d2bd16d9dc4a467.png)
3.折刀分析(jackknife analyses)
用于评估元分析结果的鲁棒性,每次计算时剔除一个实验。
现在也有用一般线性模型(GLM)进行折刀分析的方法,具体做法可以元分析常见问题里查看。
4.漏斗图法(funnel plot)
另一种方法是创建漏斗图,即效应大小及其方差(或研究的样本大小)的散点图。通过此图,人们可以观察有多少研究在该体素中发现了相关的效应大小,或者荟萃分析结果是否主要由小型研究驱动,这可能是潜在发表偏倚的指标。
5.四分位描述(Descriptive analyses of quartiles)
- 例如A区域报告在第二四分位数:这表明A区域的异常存在于超过一半的研究中。
- 又例如B区域的异常在第三个四分位数分析中检测到,这意味着25 - 50 %的研究发现这些区域的灰质减少。
总结
在进行完元分析后的事后检验中,贡献值的计算,漏斗图和异质性分析等为我们提供了解释结果的重要信息。