Guidelines for the content and format of PET brain data in publications and archives: A consensus paper
Notice bibliographique
Résumé
It is a growing concern that outcomes of neuroimaging studies often cannot be replicated. To counteract this, the magnetic resonance (MR) neuroimaging community has promoted acquisition standards and created data sharing platforms, based on a consensus on how to organize and share MR neuroimaging data. Here, we take a similar approach to positron emission tomography (PET) data. To facilitate comparison of findings across studies, we first recommend publication standards for tracer characteristics, image acquisition, image preprocessing, and outcome estimation for PET neuroimaging data. The co-authors of this paper, representing more than 25 PET centers worldwide, voted to classify information as mandatory, recommended, or optional. Second, we describe a framework to facilitate data archiving and data sharing within and across centers. Because of the high cost of PET neuroimaging studies, sample sizes tend to be small and relatively few sites worldwide have the required multidisciplinary expertise to properly conduct and analyze PET studies. Data sharing will make it easier to combine datasets from different centers to achieve larger sample sizes and stronger statistical power to test hypotheses. The combining of datasets from different centers may be enhanced by adoption of a common set of best practices in data acquisition and analysis.
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 | 0,335 | 0,473 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,006 | 0,011 |
| Bibliométrie | 0,035 | 0,027 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,020 | 0,017 |
| Science ouverte | 0,016 | 0,014 |
| Intégrité de la recherche | 0,020 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,033 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».