A decisional space for fMRI pattern separation using the principal component analysis-a comparative study of language networks in pediatric epilepsy
Notice bibliographique
Résumé
Atypical functional magnetic resonance imaging (fMRI) language patterns may be identified by visual inspection or by region of interest (ROI)-based laterality indices (LI) but are constrained by a priori assumptions. We compared a data-driven novel application of principal component analysis (PCA) to conventional methods. We studied 122 fMRI data sets from control and localization-related epilepsy patients provided by five children's hospitals. Each subject performed an auditory description decision task. The data sets, acquired with different scanners but similar acquisition parameters, were processed through fMRIB software library to obtain 3D activation maps in standard space. A PCA analysis was applied to generate the decisional space and the data cluster into three distinct activation patterns. The classified activation maps were interpreted by (1) blinded reader rating based on predefined language patterns and (2) by language area ROI-based LI (i.e., fixed threshold vs. bootstrap approaches). The different classification results were compared through κ inter-rater agreement statistics. The unique decisional space classified activation maps into three clusters (a) lower intensity typical language representation, (b) higher intensity typical, as well as (c) higher intensity atypical representation. Inter-rater agreements among the three raters were excellent (Fleiss κ = 0.85, P = 0.05). There was substantial to excellent agreement between the conventional visual rating and LI methods (κ = 0.69-0.82, P = 0.05). The PCA-based method yielded excellent agreement with conventional methods (κ = 0.82, P = 0.05). The automated and data-driven PCA decisional space segregates language-related activation patterns in excellent agreement with current clinical rating and ROI-based methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».