Functional connectivity predicts gender: Evidence for gender differences in resting brain connectivity
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
Prevalence of certain forms of psychopathology, such as autism and depression, differs between genders and understanding gender differences of the neurotypical brain may provide insights into risk and protective factors. In recent research, resting state functional magnetic resonance imaging (rfMRI) is widely used to map the inherent functional networks of the brain. Although previous studies have reported gender differences in rfMRI, the robustness of gender differences is not well characterized. In this study, we use a large data set to test whether rfMRI functional connectivity (FC) can be used to predict gender and identify FC features that are most predictive of gender. We utilized rfMRI data from 820 healthy controls from the Human Connectome Project. By applying a predefined functional template and partial least squares regression modeling, we achieved a gender prediction accuracy of 87% when multi-run rfMRI was used. Permutation tests confirmed that gender prediction was reliable ( p<.001). Effects of motion, age, handedness, blood pressure, weight, and brain volume on gender prediction are discussed. Further, we found that FC features within the default mode (DMN), fronto-parietal and sensorimotor networks contributed most to gender prediction. In the DMN, right fusiform gyrus and right ventromedial prefrontal cortex were important contributors. The above regions have been previously implicated in aspects of social functioning and this suggests potential gender differences in social cognition mediated by the DMN. Our findings demonstrate that gender can be reliably predicted using rfMRI data and highlight the importance of controlling for gender in brain imaging studies.
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 | 0,003 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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