NeuroMark: a fully automated ICA method to identify effective fMRI markers of brain disorders
Notice bibliographique
Résumé
Summary Increasing sharing initiatives on neuroimaging data have provided unprecedented opportunities to study brain disorders. Standardized approaches for capturing reproducible and comparable biomarkers are greatly needed. Here, we propose a method, NeuroMark , which leverages a priori-driven independent component analysis to effectively extract functional brain network biomarkers from functional magnetic resonance imaging (fMRI) data. NeuroMark automatically estimates features adaptable to each individual and comparable across subjects by taking advantage of the replicated brain network templates extracted from 1828 healthy controls as guidance to initialize the individual-level networks. Four studies including 2454 subjects were conducted spanning six brain disorders (schizophrenia, autism spectrum disorder, depression, bipolar disorder, mild cognitive impairment and Alzheimer’s disease) to evaluate the proposed method from different perspectives (replication, cross-study comparison, subtle difference identification, and multi-disorder classification). Results demonstrate the great potential of NeuroMark in its feasibility to link different datasets/studies/disorders and enhance sensitivity in identifying biomarkers for patients with challenging mental illnesses. Significance Statement Increasing evidence highlights that features extracted from resting fMRI data can be leveraged as potential biomarkers of brain disorders. However, it has been difficult to replicate results using different datasets, translate findings across studies, and differentiate brain disorders sharing similar clinical symptoms. It is important to systematically characterize the degree to which unique and similar impaired patterns are reflective of brain disorders. We propose a fully automated method (called NeuroMark ) that leverages priori-driven independent component analysis (ICA) using replicated brain network templates to estimate individual-subject network features. Evaluated by four studies involving six different brain disorders, we show that NeuroMark can effectively link the comparison of biomarkers across different studies/datasets/disorders and enable classification between complex brain disorders, while also providing information about relevant aspects of whole brain functional connectivity.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 0,001 |
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 ».