Selection Criteria for the Analysis of Data-Driven Clusters in Cerebral fMRI
Notice bibliographique
Résumé
Functional MRI (fMRI) may be possible without a priori models of the cerebral hemodynamic response. First, such data-driven fMRI requires that all cerebral territories with distinct patterns be identified. Second, a systematic selection method is necessary to prevent the subjective interpretation of the identified territories. This paper addresses the second point by proposing a novel method for the automated interpretation of identified territories in data-driven fMRI. Selection criteria are formulated using: 1) the temporal cross-correlation between each identified territory and the paradigm and 2) the spatial contiguity of the corresponding voxel map. Ten event-design fMRI data sets are analyzed with one prominent algorithm, fuzzy c-means clustering, before applying the selection criteria. For comparison, these data are also analyzed with an established, model-based method: statistical parametric mapping. Both methods produced similar results and identified potential activation in the expected territory of the sensorimotor cortex in all ten data sets. Moreover, the proposed method classified distinct territories in separate clusters. Selected clusters have a mean temporal correlation coefficient of 0.39+/-0.07 (n=19) with a mean 2.7+/-1.4 second response delay. At most, four separate contiguous territories were observed in 87% of these clusters. These results suggest that the proposed method may be effective for exploratory fMRI studies where the hemodynamic response is perturbed during cerebrovascular disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».