Different preprocessing strategies lead to different conclusions: A [ <sup>11</sup> C]DASB-PET reproducibility study
Notice bibliographique
Résumé
Positron emission tomography (PET) neuroimaging provides unique possibilities to study biological processes in vivo under basal and interventional conditions. For quantification of PET data, researchers commonly apply different arrays of sequential data analytic methods (“preprocessing pipeline”), but it is often unknown how the choice of preprocessing affects the final outcome. Here, we use an available data set from a double-blind, randomized, placebo-controlled [ 11 C]DASB-PET study as a case to evaluate how the choice of preprocessing affects the outcome of the study. We tested the impact of 384 commonly used preprocessing strategies on a previously reported positive association between the change from baseline in neocortical serotonin transporter binding determined with [ 11 C]DASB-PET, and change in depressive symptoms, following a pharmacological sex hormone manipulation intervention in 30 women. The two preprocessing steps that were most critical for the outcome were motion correction and kinetic modeling of the dynamic PET data. We found that 36% of the applied preprocessing strategies replicated the originally reported finding ( p < 0.05). For preprocessing strategies with motion correction, the replication percentage was 72%, whereas it was 0% for strategies without motion correction. In conclusion, the choice of preprocessing strategy can have a major impact on a study outcome.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».