Microstructure-Informed Connectomics: Enriching Large-Scale Descriptions of Healthy and Diseased Brains
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
Rapid advances in neuroimaging and network science have produced powerful tools and measures to appreciate human brain organization at multiple spatial and temporal scales. It is now possible to obtain increasingly meaningful representations of whole-brain structural and functional brain networks and to formally assess macroscale principles of network topology. In addition to its utility in characterizing healthy brain organization, individual variability, and life span-related changes, there is high promise of network neuroscience for the conceptualization and, ultimately, management of brain disorders. In the current review, we argue for a science of the human brain that, while strongly embracing macroscale connectomics, also recommends awareness of brain properties derived from meso- and microscale resolutions. Such features include MRI markers of tissue microstructure, local functional properties, as well as information from nonimaging domains, including cellular, genetic, or chemical data. Integrating these measures with connectome models promises to better define the individual elements that constitute large-scale networks, and clarify the notion of connection strength among them. By enriching the description of large-scale networks, this approach may improve our understanding of fundamental principles of healthy brain organization. Notably, it may also better define the substrate of prevalent brain disorders, including stroke, autism, as well as drug-resistant epilepsies that are each characterized by intriguing interactions between local anomalies and network-level perturbations.
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 | 0,001 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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