Statistische Meta-Analysen in den bildgebenden Neurowissenschaften

Zusammenfassung

Die immens zunehmende PET- und fMRT-Bildgebungsforschung hat den Wissenszuwachs über motorische, kognitive und affektive Prozesse im menschlichen Gehirn in den letzten Jahren beflügelt. Es besteht jedoch eine augenfällige Diskrepanz zwischen der großen Zahl verfügbarer Studien und der eingeschränkten Aussagekraft jedes einzelnen Experiments. Um diese Vielzahl an Befunden möglichst vollständig in ihrer Gesamtheit nutzbar zu machen, bieten sich quantitative, koordinaten-basierte Meta-Analysen besonders an. Der Ansatz bietet die Möglichkeit, große Kollektivstärken von Gesunden und Patienten in einer einzigen Analyse zu untersuchen. Dies geht oft über die Möglichkeiten eines einzelnen Forschungsstandortes hinaus und stellt einen beträchtlichen Fortschritt zu den anson­sten teilweise eher subjektiven Rückschlüssen über die Relevanz einzelner beobachteten Veränderungen dar. Letztendlich sollte die modellbasierte Untersuchung durch explizites Hypothesentesten auf der Grundlage quantitativer Meta-Analysen einen wichtigen Fortschritt zur Untersuchung neurotypischer und klinischer Populationen bieten. Dies rückt die Anwendung und Erweiterung der heutigen neuroinformatischen Ansätze zu quantitativen, datengetriebenen Meta-Analysen zur weiteren mechanistischen Aufklärung des menschlichen Gehirns in Gesundheit und Krankheit in den Vordergrund.

Abstract

The great increase in PET and fMRI imaging research has provided a large amount of data about the localization of motor, cognitive and affective processes in the human brain. However, there is an obvious discrepancy between the large number of studies available and the limited amount of knowledge that can be gained from each individual experiment. Quantitative coordinate-based meta-analyses have thus emerged as a principled way to integrate this large amount of findings. These approaches, in particular activation likelihood estimation (ALE) offer the opportunity to investigate convergent effects in large samples of healthy subjects and patients that could not be assessed in any individual study. It thus offers substantial advantages over the otherwise more subjective inferences about the relevance of individually observed effects. Ultimately, model-based analyses testing explicit hypotheses using quantitative meta-analysis approaches should offer an important step forward in the investigation of the physiological and pathological localization within the human brain. The development and application of neuroinformatics approaches to quantitative, data-driven meta-analysis may thus become an important aspect in the future strive to understand the healthy and diseased brain.

Schlüsselwörter

funktionelle Magnetresonanztomografie - quantitative Metaanalyse - Data-mining - Pathophysiologie

Key words

functional magnetic ­resonance tomography - quantitative meta-analysis - data-mining - pathophysiology

• Literatur

• 1 Eickhoff SB, Nickl-Jockschat T, Kurth F. Meta-analyses in clinical brain research. Nervenarzt 2010; 81: 32-38
• 2 Evans AC, Marrett S, Neelin P et al. Anatomical mapping of functional activation in stereotactic coordinate space. Neuroimage 1992; 1: 43-53
• 3 Eickhoff SB, Laird AR, Grefkes C et al. Coordinate-Based Activation Likelihood Estimation Meta-Analysis of Neuroimaging Data: A Random-Effects Approach Based on Empirical Estimates of Spatial Uncertainty. Hum Brain Mapp 2009; 30: 2907-2926
• 4 Eickhoff SB, Bzdok D. Meta-analyses in basic and clinical neuroscience: State of the art and perspective. In: Ulmer S, Jansen O. (ed.). fMRI – Basics and Clinical Applications. Heidelberg: Springer; 2012
• 5 Caspers S, Zilles K, Laird AR et al. ALE meta-analysis of action observation and imitation in the human brain. Neuroimage 2010;
• 6 Laird AR, Eickhoff SB, Kurth F et al. ALE Meta-Analysis Workflows Via the Brainmap Database: Progress Towards A Probabilistic Functional Brain Atlas. Front Neuroinformatics 2009; 3: 23
• 7 Laird AR, Eickhoff SB, Li K et al. Investigating the Functional Heterogeneity of the Default Mode Network Using Coordinate-Based Meta-Analytic Modeling. J Neurosci 2009; 29: 14496-14505