Integration of routine QA data into mega‐analysis may improve quality and sensitivity of multisite diffusion tensor imaging studies
Notice bibliographique
Résumé
Abstract A novel mega‐analytical approach that reduced methodological variance was evaluated using a multisite diffusion tensor imaging (DTI) fractional anisotropy (FA) data by comparing white matter integrity in people with schizophrenia to controls. Methodological variance was reduced through regression of variance captured from quality assurance (QA) and by using Marchenko–Pastur Principal Component Analysis (MP‐PCA) denoising. N = 192 (119 patients/73 controls) data sets were collected at three sites equipped with 3T MRI systems: GE MR750, GE HDx, and Siemens Trio. DTI protocol included five b = 0 and 60 diffusion‐sensitized gradient directions ( b = 1,000 s/mm 2 ). In‐house DTI QA protocol data was acquired weekly using a uniform phantom; factor analysis was used to distil into two orthogonal QA factors related to: SNR and FA. They were used as site‐specific covariates to perform mega‐analytic data aggregation. The effect size of patient‐control differences was compared to these reported by the enhancing neuro imaging genetics meta‐analysis (ENIGMA) consortium before and after regressing QA variance. Impact of MP‐PCA filtering was evaluated likewise. QA‐factors explained ∼3–4% variance in the whole‐brain average FA values per site. Regression of QA factors improved the effect size of schizophrenia on whole brain average FA values—from Cohen's d = .53 to .57—and improved the agreement between the regional pattern of FA differences observed in this study versus ENIGMA from r = .54 to .70. Application of MP‐PCA‐denoising further improved the agreement to r = .81. Regression of methodological variances captured by routine QA and advanced denoising that led to a better agreement with a large mega‐analytic study.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».