In Vivo Brain Magnetic Resonance Spectroscopy: A Measurement of Biomarker Sensitivity to Post-Processing Algorithms
Notice bibliographique
Résumé
Clinical translation of reported biomarkers requires reliable and consistent algorithms to derive biomarkers. However, the literature reports statistically significant differences between 1-D MRS measurements from control groups and subjects with disease states but frequently provides little information on the algorithms and parameters used to process the data. The sensitivity of in vivo brain magnetic resonance spectroscopy biomarkers is investigated with respect to parameter values for two key stages of post-acquisitional processing. Our effort is specifically motivated by the lack of consensus on approaches and parameter values for the two critical operations, water resonance removal, and baseline correction. The different stages of data processing also introduce varying levels of uncertainty and arbitrary selection of parameter values can significantly underutilize the intrinsic differences between two classes of signals. The sensitivity of biomarkers points to the need for a better understanding of how all stages of post-acquisitional processing affect biomarker discovery and ultimately, clinical translation. Our results also highlight the possibility of optimizing biomarker discovery by the careful selection of parameters that best reveal class differences. Using previously reported data and biomarkers, our results demonstrate that small changes in parameter values affect the statistical significance and corresponding effect size of biomarkers. Consequently, it is possible to increase the strength of biomarkers by selecting optimal parameter values in different spectral intervals. Our analyses with a previously reported data set demonstrate an increase in effect sizes for wavelet-based biomarkers of up to 36%, with increases in classification performance of up to 12%.
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 | 0,000 |
| 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 ».