The methodological foundations of lesion network mapping remain sound

De auteurs verdedigen de methodologische grondslagen van de lesie-netwerkmapping (LNM) door aan te tonen dat de recente kritiek van van den Heuvel et al. gebaseerd is op onjuiste aannames en dat hun eigen analyses de specificiteit en geldigheid van de LNM-techniek bevestigen.

De kern

De Kern van het verhaal: Een misverstand over een medische kaart

Stel je voor dat Lesion Network Mapping (LNM) een soort "GPS voor de hersenen" is. Als een patiënt een hersenletsel heeft (een 'lesie') en daar een specifiek probleem door krijgt (bijvoorbeeld trillen of depressie), gebruiken artsen deze GPS om te kijken: "Welke delen van de hersenen staan met elkaar in contact via de plek waar het letsel zit?"

Deze methode is al gebruikt in meer dan 200 studies om te ontdekken hoe onze hersenen werken en om nieuwe behandelingen te vinden.

Het probleem:
Onlangs schreef een andere groep onderzoekers (van den Heuvel en collega's) een artikel waarin ze zeiden: "Wacht even, deze GPS werkt niet goed. De kaarten die jullie maken lijken allemaal op elkaar. Jullie zien waarschijnlijk alleen maar de standaardstructuur van de hersenen, niet het specifieke probleem van de patiënt." Ze beweerden dat de methode eigenlijk niets zinnigs oplevert.

Dit artikel (van Fox en zijn team) is het antwoord:
De auteurs van dit artikel zeggen: "Nee, dat is een misverstand. Onze methode werkt prima, maar jullie hebben hem op de verkeerde manier getest."

Hieronder leg ik uit waarom ze dat zeggen, met behulp van drie simpele vergelijkingen.

---

1. De Vergelijking: Het Koffiebar-voorbeeld

Stel je een grote koffiezaak voor (de hersenen) met duizenden tafels (de verbindingen).

• De kritiek van de tegenstanders: Ze zeggen: "Als je kijkt naar mensen die een kopje koffie hebben gemorst, zie je dat ze allemaal bij de tafel in de hoek staan. En mensen die suiker hebben gemorst, staan ook bij die tafel. Jullie kaarten lijken dus identiek! Jullie zien alleen maar dat de hoek van de zaak populair is (de 'standaardstructuur'), niet waarom ze er staan."
• Het antwoord van de auteurs: "Jullie kijken alleen naar de hele zaal. Maar wij doen iets anders. Wij kijken niet alleen naar wie er staat, maar we vergelijken het met een controlegroep."
  • Wij kijken naar mensen die koffie hebben gemorst (groep A) en vergelijken dat met mensen die suiker hebben gemorst (groep B).
  • Als we dat doen, zien we dat de koffiegroep weliswaar bij de hoek staat, maar specifiek bij tafel 4. De suikergroep staat bij tafel 12.
  • De tegenstanders hebben de 'controlegroep' (de suiker-merkers) vergeten. Zonder die vergelijking lijkt alles hetzelfde, maar met de vergelijking zie je het verschil.

2. De Vergelijking: Het DNA-voorbeeld

De tegenstanders zeiden: "Jullie kaarten lijken voor 16% op elkaar, dus ze zijn niet uniek genoeg."

De auteurs zeggen: "Dat is alsof je zegt dat DNA-onderzoek nutteloos is omdat mensen voor 99,9% op elkaar lijken."

• Mensen zijn bijna identiek in hun DNA, maar die kleine 0,1% verschil is precies wat ons uniek maakt en wat ziektes veroorzaakt.
• Net zo zo zijn de hersenkaarten van verschillende patiënten met hetzelfde probleem (bijvoorbeeld trillen) heel erg op elkaar, maar de kleine verschillen zijn cruciaal. Ze tonen precies welke verbindingen de boosdoener zijn.

3. De Vergelijking: De Simulatie vs. De Realiteit

De tegenstanders deden een computersimulatie om te bewijzen dat hun methode faalt. Ze stelden zich voor dat letsen op willekeurige plekken in de hersenen zouden zitten.

• Het probleem met hun simulatie: In de echte wereld zijn hersenletsen nooit willekeurig. Als iemand een beroerte krijgt die leidt tot verlies van het gezichtsvermogen, zit het letsel altijd in het deel van de hersenen dat te maken heeft met zien. Het zit nooit willekeurig in het been.
• De conclusie: De simulatie van de tegenstanders was als het testen van een regenjas door hem in een droge kamer te houden. Het werkt niet in de simulatie, maar in de echte regen (de echte patiënten) werkt het perfect. De auteurs hebben hun eigen database met 1090 echte patiënten gecontroleerd en bewezen dat de methode wel degelijk werkt en geen valse resultaten geeft.

---

Wat is de boodschap voor jou?

1. De methode is veilig: De "GPS" voor hersenletsel werkt goed. Het helpt artsen om te begrijpen waarom iemand bepaalde klachten heeft.
2. Vergelijken is belangrijk: Je kunt niet zeggen of een kaart goed is door alleen naar de kaart te kijken. Je moet hem vergelijken met andere kaarten (bijvoorbeeld: "Waarom trilt deze persoon en niet diegene?").
3. Geen paniek: De kritiek van de andere groep was nuttig om de methoden te testen, maar ze hebben de conclusie getrokken op basis van een te simpele test. De echte data bewijst dat de methode waardevol blijft.

Kortom: De auteurs zeggen: "Bedankt voor de kritiek, het heeft ons gedwongen om onze bewijzen te checken. Maar na het checken zien we dat onze methode stevig staat en dat we de juiste koers varen."

Technische samenvatting

Titel: De methodologische fundamenten van Lesion Network Mapping (LNM) blijven valide

Auteurs: Shan Siddiqi, Andreas Horn, Frederic L.W.V.J. Schaper, et al. (Brigham & Women's Hospital, Harvard Medical School, en internationale partners).

---

1. Het Probleem

Lesion Network Mapping (LNM) is een techniek die in meer dan 200 studies is gebruikt om te onderzoeken of anatomisch verspreide laesies die hetzelfde symptoom veroorzaken, binnen een gemeenschappelijk hersennetwerk vallen.

Een recente studie door van den Heuvel et al. daagde de specificiteit en validiteit van LNM uit. Hun kernargumenten waren:

• LNM-kaarten lijken sterk op elkaar voor verschillende symptomen.
• Deze kaarten reflecteren voornamelijk intrinsieke eigenschappen van het normatieve connectoom (zoals de "degree" of connectiviteitsgraad van het netwerk) in plaats van specifieke laesie-symptoomrelaties.
• Van den Heuvel suggereerde dat LNM-resultaten geen substantiële informatie bevatten die verder gaat dan een "onspecifiek signaal".

De auteurs van dit artikel betogen dat de data en methoden van van den Heuvel niet representatief zijn voor de standaard LNM-studies en dat hun conclusies de bestaande bevindingen niet ongeldig maken.

2. Methodologie

De auteurs voerden een uitgebreide heranalyse uit van hun eigen database, bestaande uit 1090 laesie-locaties uit 34 eerdere LNM-studies die 34 verschillende symptomen behandelden. Ze testten drie specifieke beweringen van van den Heuvel met behulp van de door hen geprefereerde metriek (ruimtelijke correlatie tussen ongethresholdde LNM-kaarten), maar met de standaard LNM-methodologie:

1. Test op Symptoomspecificiteit: Vergelijking van ruimtelijke correlaties tussen laesies met hetzelfde symptoom versus laesies met verschillende symptomen.
2. Test op Convergentie naar Degree Maps: Vergelijking van LNM-kaarten met de "degree map" (de som van connectiviteit van alle voxels) om te zien of ze samenvallen.
3. Test op False Positives: Een simulatie met 1000 iteraties waarbij 50 willekeurige laesies werden vergeleken met de resterende 1040 laesies, gebruikmakend van de specifieke drempelwaarden (specificiteit $t > 10$) die in de meeste LNM-studies worden toegepast.

Daarnaast analyseerden de auteurs de methodologische verschillen tussen het werk van van den Heuvel en standaard LNM, met name:

• Het ontbreken van specificiteitstests in het werk van van den Heuvel.
• Het gebruik van spin-tests en BrainSMASH (voor ruimtelijke autocorrelatie) versus permutatietests van de ruwe invoerdata.
• De interpretatie van ruimtelijke gelijkenis versus statistische significantie van verschillen.

3. Belangrijkste Bijdragen en Resultaten

De analyse weerlegde de drie centrale beweringen van van den Heuvel:

• Resultaat 1: LNM is symptoomspecifiek.
  De ruimtelijke correlatie tussen laesienetwerken van patiënten met hetzelfde symptoom was significant hoger dan tussen patiënten met verschillende symptomen (mediaan $r = 0,44$ vs. $0,09$;$p < 0,0001$). Dit weerlegt de claim dat er geen symptomatische specificiteit is.

• Resultaat 2: LNM convergeert niet naar de degree map.
  De correlatie tussen laesienetwerken met hetzelfde symptoom was significant hoger dan de correlatie met de degree map ($r = 0,44$ vs. $0,16$;$p < 0,0001$). De resultaten zijn dus niet louter een reflectie van de connectiviteitsgraad van het connectoom.

• Resultaat 3: LNM controleert effectief voor False Positives.
  Bij 1000 iteraties met willekeurig geselecteerde laesies en de standaard drempelwaarden ($t > 10$) werd geen enkele false positive gevonden. False positives (4,6%) kwamen alleen voor bij veel lagere drempelwaarden dan gebruikelijk in de literatuur. Bovendien waren de specificiteitskaarten van deze willekeurige vergelijkingen onderling verschillend en leken ze niet op de degree map.

Methodologische Analyse van de Discrepantie:
De auteurs identificeren vier redenen waarom de bevindingen van van den Heuvel afwijken:

1. Omissie van Specificiteitstests: Van den Heuvel liet de cruciale stap weg waarbij alleen connecties die specifiek zijn voor het symptoom (na controle voor niet-specifieke patronen) worden geanalyseerd. Dit is vergelijkbaar met het vergelijken van een taak-taken fMRI-studie met een controletaak.
2. Vergelijking van Gelijkenis vs. Verschil: Van den Heuvel toonde aan dat kaarten vergelijkbaar zijn, maar concludeerde hieruit dat er geen verschillen zijn. De auteurs tonen aan dat hoewel kaarten gelijkenis vertonen (bijv. $r=0,56$), permutatietests wel degelijk significante verschillen aantonen tussen symptoomgroepen.
3. Interpretatie van Ruimtelijke Gelijkenis: Een gedeelde variantie van 16% ($r^2$) sluit biologisch betekenisvolle verschillen niet uit. De auteurs vergelijken dit met menselijke genetica (>99,9% gedeelde variantie), wat DNA-sequencing niet ongeldig maakt.
4. Aannames over Laesie-overlapping: De simulaties van van den Heuvel gingen uit van willekeurige, niet-overlappende laesies, wat leidt tot convergentie naar de degree map. Echte laesies die specifieke symptomen veroorzaken, zijn echter niet-willekeurig verdeeld (bijv. laesies bij amnesie vallen vaak in het hippocampusgebied) en overlappen, waardoor ze specifieke netwerken identificeren in plaats van het gemiddelde connectoom.

4. Betekenis en Conclusie

De studie concludeert dat de methodologische fundamenten van Lesion Network Mapping sound (valide) blijven.

• De analyses van van den Heuvel et al. ondermijnen niet de eerdere bevindingen van LNM of de toekomstige toepassingen ervan.
• LNM biedt bewijs voor betekenisvolle verschillen tussen symptomen door middel van specifieke specificiteitstests.
• De auteurs bevelen lezers aan om de data en methoden van eerder gepubliceerde LNM-studies te gebruiken in plaats van de aangepaste methoden van van den Heuvel, aangezien deze niet equivalent zijn.
• Er wordt opgeroepen tot verdere methodologische verbetering en de ontwikkeling van een "best practices" paper voor LNM, maar de kern van de techniek wordt verdedigd als een robuust instrument voor het begrijpen van hersen-netwerk-stoornissen.

Kortom, hoewel ruimtelijke gelijkenis tussen kaarten bestaat, is dit geen statistisch artefact maar een weerspiegeling van gedeelde anatomische connectiviteit, en de specifieke patronen die LNM identificeert zijn statistisch en biologisch valide.