Challenges in measuring individual differences in functional connectivity using fMRI: The case of healthy aging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many studies report individual differences in functional connectivity, such as those related to age. However, estimates of connectivity from fMRI are confounded by other factors, such as vascular health, head motion and changes in the location of functional regions. Here, we investigate the impact of these confounds, and pre-processing strategies that can mitigate them, using data from the Cambridge Centre for Ageing & Neuroscience (www.cam-can.com). This dataset contained two sessions of resting-state fMRI from 214 adults aged 18-88. Functional connectivity between all regions was strongly related to vascular health, most likely reflecting respiratory and cardiac signals. These variations in mean connectivity limit the validity of between-participant comparisons of connectivity estimates, and were best mitigated by regression of mean connectivity over participants. We also showed that high-pass filtering, instead of band-pass filtering, produced stronger and more reliable age-effects. Head motion was correlated with gray-matter volume in selected brain regions, and with various cognitive measures, suggesting that it has a biological (trait) component, and warning against regressing out motion over participants. Finally, we showed that the location of functional regions was more variable in older adults, which was alleviated by smoothing the data, or using a multivariate measure of connectivity. These results demonstrate that analysis choices have a dramatic impact on connectivity differences between individuals, ultimately affecting the associations found between connectivity and cognition. It is important that fMRI connectivity studies address these issues, and we suggest a number of ways to optimize analysis choices. Hum Brain Mapp 38:4125-4156, 2017. © 2017 Wiley Periodicals, Inc.
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.
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 | 0,002 | 0,010 |
| 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 | 0,002 | 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 découle