Enregistrement W2340818140 · doi:10.1016/j.neuroimage.2016.04.038

Multivariate statistical analysis of diffusion imaging parameters using partial least squares: Application to white matter variations in Alzheimer's disease

2016· article· en· W2340818140 sur OpenAlexfundno aff

Ender Konukoğlu, Jean‐Philippe Coutu, David H. Salat, Bruce Fischl

Notice bibliographique

RevueNeuroImage · 2016

Typearticle

Langueen

DomaineMedicine

ThématiqueAdvanced Neuroimaging Techniques and Applications

Établissements canadiensnon disponible

Organismes subventionnairesJanssen Research and DevelopmentNational Institute of Nursing ResearchNational Institute of Mental HealthNational Institute of Biomedical Imaging and BioengineeringCanadian Institutes of Health ResearchBiogen IdecGenentechNational Institutes of HealthServierEisaiPfizerBioClinicaSynarcNational Center for Complementary and Integrative HealthNational Institute on AgingFonds Québécois de la Recherche sur la Nature et les TechnologiesNational Institute of Neurological Disorders and StrokeTakeda Pharmaceutical CompanyMedpaceNovartis Pharmaceuticals CorporationU.S. Department of DefenseEli Lilly and CompanyBristol-Myers SquibbNational Center for Research ResourcesF. Hoffmann-La RocheEllison Medical FoundationAlzheimer's Drug Discovery FoundationMerckNIH Blueprint for Neuroscience ResearchFujirebio EuropeAlzheimer's AssociationGE HealthcareAlzheimer's Disease Neuroimaging InitiativeJohnson and JohnsonMeso Scale Diagnostics

Mots-clésDiffusion MRIUnivariateFractional anisotropyMultivariate statisticsPopulationWhite matterPattern recognition (psychology)VoxelArtificial intelligencePartial least squares regressionMultivariate analysisMagnetic resonance imagingComputer scienceStatisticsMathematicsMedicineRadiology

DOI10.1016/j.neuroimage.2016.04.038

Résumé

récupéré en direct d'OpenAlex

Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004

score de la tête « metaresearch » (Gemma)0,011

Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated

Catégories candidatesaucune

Catégories consensuellesaucune

DomaineSignal candidat: aucune · Signal consensuel: aucune

Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune

GenreSignal candidat: Empirique · Signal consensuel: aucune

Score de désaccord entre enseignants0,005

Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

Catégorie	Codex	Gemma
Métarecherche	0,004	0,011
Méta-épidémiologie (sens strict)	0,001	0,000
Méta-épidémiologie (sens large)	0,001	0,001
Bibliométrie	0,001	0,001
Études des sciences et des technologies	0,000	0,000
Communication savante	0,001	0,000
Science ouverte	0,001	0,001
Intégrité de la recherche	0,000	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.

Tête enseignante Opus0,050

Tête enseignante GPT0,363

Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail

Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.

Devis d'étudeObservationnel

Domainenon disponible

GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25

Publié2016

Routes d'admission1

Résumé présentnon

Télécharger la notice (JSON)Signaler un problème avec cette notice

Explorer davantage

Même revueNeuroImage→Même sujetAdvanced Neuroimaging Techniques and Applications→Travaux en français237 207→