Impact of Global Mean Normalization on Regional Glucose Metabolism in the Human Brain
Notice bibliographique
Résumé
Because the human brain consumes a disproportionate fraction of the resting body’s energy, positron emission tomography (PET) measurements of absolute glucose metabolism (CMRglc) can serve as disease biomarkers. Global mean normalization (GMN) of PET data reveals disease-based differences from healthy individuals as fractional changes across regions relative to a global mean. To assess the impact of GMN applied to metabolic data, we compared CMRglc with and without GMN in healthy awake volunteers with eyes closed (i.e., control) against specific physiological/clinical states, including healthy/awake with eyes open, healthy/awake but congenitally blind, healthy/sedated with anesthetics, and patients with disorders of consciousness. Without GMN, global CMRglc alterations compared to control were detected in all conditions except in congenitally blind where regional CMRglc variations were detected in the visual cortex. However, GMN introduced regional and bidirectional CMRglc changes at smaller fractions of the quantitative delocalized changes. While global information was lost with GMN, the quantitative approach (i.e., a validated method for quantitative baseline metabolic activity without GMN) not only preserved global CMRglc alterations induced by opening eyes, sedation, and varying consciousness but also detected regional CMRglc variations in the congenitally blind. These results caution the use of GMN upon PET-measured CMRglc data in health and disease.
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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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.
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 source (Gemma direct ou Codex distillé), 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 ».