Multiregional integration in the brain during resting-state fMRI activity
Notice bibliographique
Résumé
Data-driven models of functional magnetic resonance imaging (fMRI) activity can elucidate dependencies that involve the combination of multiple brain regions. Activity in some regions during resting-state fMRI can be predicted with high accuracy from the activities of other regions. However, it remains unclear in which regions activity depends on unique integration of multiple predictor regions. To address this question, sparse (parsimonious) models could serve to better determine key interregional dependencies by reducing false positives. We used resting-state fMRI data from 46 subjects, and for each region of interest (ROI) per subject we performed whole-brain recursive feature elimination (RFE) to select the minimal set of ROIs that best predicted activity in the modeled ROI. We quantified the dependence of activity on multiple predictor ROIs, by measuring the gain in prediction accuracy of models that incorporated multiple predictor ROIs compared to models that used a single predictor ROI. We identified regions that showed considerable evidence of multiregional integration and determined the key regions that contributed to their observed activity. Our models reveal fronto-parietal integration networks, little integration in primary sensory regions, as well as redundancy between some regions. Our study demonstrates the utility of whole-brain RFE to generate data-driven models with minimal sets of ROIs that predict activity with high accuracy. By determining the extent to which activity in each ROI depended on integration of signals from multiple ROIs, we find cortical integration networks during resting-state activity.
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 | 0,000 | 0,018 |
| 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 | 0,001 | 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 ».