E-infrastructure, cortical mesh segmentation, quality control environment : a red thread for neuroscientists
Notice bibliographique
Résumé
Les neurosciences sont entrées dans l'ère des « big data ». Les ordinateurs de bureau individuels ne sont plus adaptés à l'analyse des téraoctets et potentiellement des pétaoctets qu'impliquent les images cérébrales. Pour combler le gouffre qui existe entre la taille des données et les possibilités standard d'extraction des informations, on développe actuellement des infrastructures virtuelles en Amérique du Nord, au Canada et également en Europe. Ces infrastructures dématérialisées permettent d'effectuer des expériences en imagerie médicale à l'aide de ressources informatiques dédiées telles que des grilles, des systèmes de calcul haute performance (HPC) et des clouds publics ou privés. Les infrastructures virtuelles sont aujourd'hui les systèmes les plus avancés et les mieux équipés pour soutenir la création de modèles multimodaux et multi-échelles avancés du cerveau atteint par la maladie d'Alzheimer (chapitre 2) ou pour valider des biomarqueurs d'imagerie prometteurs, tels que l'épaisseur corticale, grâce à des pipelines sophistiqués (chapitre 3). En effet, les analyses d'imagerie, telles que celles décrites dans les chapitres 2 et 3, multiplient de manière exponentielle la quantité de données post-traitées qui atteignent, à la fin, des téraoctets de résultats pour une seule étude. Afin de faire face à l'énorme quantité de données de post-traitement générées par les infrastructures électroniques, un environnement de contrôle qualité automatique (ECQ) des maillages de la surface corticale (chapitre 4) a été proposé. L'ECQ est un classifieur par apprentissage automatique (AA) avec une approche par apprentissage supervisé basée sur les forêts d'arbres décisionnels (RF) et des estimations par séparateurs à vaste marge (SVM). Compte tenu de son évolutivité et de son efficacité, l'ECQ s'inscrit bien dans les infrastructures électroniques en cours de développement, où ce type de service de vérification élémentaire manque toujours. L'ECQ représente une occasion unique de traiter les données plus facilement et plus rapidement, ce qui permettra aux neuroscientifiques de passer leur temps précieux à effectuer des analyses de données au lieu de le dépenser dans des tâches manuelles et laborieuses de contrôle qualité.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».