Multisite reliability and repeatability of an advanced brain MRI protocol
Notice bibliographique
Résumé
Background MRI is the imaging modality of choice for diagnosis and intervention assessment in neurological disease. Its full potential has not been realized due in part to challenges in harmonizing advanced techniques across multiple sites. Purpose To develop a method for the assessment of reliability and repeatability of advanced multisite‐multisession neuroimaging studies and specifically to assess the reliability of an advanced MRI protocol, including multiband fMRI and diffusion tensor MRI, in a multisite setting. Study Type Prospective. Population Twice repeated measurement of a single subject with stable relapsing‐remitting multiple sclerosis (MS) at seven institutions. Field Strength/Sequence A 3 T MRI protocol included higher spatial resolution anatomical scans, a variable flip‐angle longitudinal relaxation rate constant (R 1 ≡ 1/T 1 ) measurement, quantitative magnetization transfer imaging, diffusion tensor imaging, and a resting‐state fMRI (rsFMRI) series. Assessment Multiple methods of assessing intrasite repeatability and intersite reliability were evaluated for imaging metrics derived from each sequence. Statistical Tests Student's t ‐test, Pearson's r , and intraclass correlation coefficient (ICC) (2,1) were employed to assess repeatability and reliability. Two new statistical metrics are introduced that frame reliability and repeatability in the respective units of the measurements themselves. Results Intrasite repeatability was excellent for quantitative R 1 , magnetization transfer ratio (MTR), and diffusion‐weighted imaging (DWI) based metrics ( r > 0.95). rsFMRI metrics were less repeatable ( r = 0.8). Intersite reliability was excellent for R 1 , MTR, and DWI (ICC >0.9), and moderate for rsFMRI metrics (ICC∼0.4). Data Conclusion From most reliable to least, using a new reliability metric introduced here, MTR > R 1 > DWI > rsFMRI; for repeatability, MTR > DWI > R 1 > rsFMRI. A graphical method for at‐a‐glance assessment of reliability and repeatability, effect sizes, and outlier identification in multisite‐multisession neuroimaging studies is introduced. Level of Evidence: 1 Technical Efficacy: Stage 2 J. Magn. Reson. Imaging 2019;50:878–888.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 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 ».