Predictive Pattern Classification Can Distinguish Gender Identity Subtypes from Behavior and Brain Imaging
Notice bibliographique
Résumé
The exact neurobiological underpinnings of gender identity (i.e., the subjective perception of oneself belonging to a certain gender) still remain unknown. Combining both resting-state functional connectivity and behavioral data, we examined gender identity in cisgender and transgender persons using a data-driven machine learning strategy. Intrinsic functional connectivity and questionnaire data were obtained from cisgender (men/women) and transgender (trans men/trans women) individuals. Machine learning algorithms reliably detected gender identity with high prediction accuracy in each of the four groups based on connectivity signatures alone. The four normative gender groups were classified with accuracies ranging from 48% to 62% (exceeding chance level at 25%). These connectivity-based classification accuracies exceeded those obtained from a widely established behavioral instrument for gender identity. Using canonical correlation analyses, functional brain measurements and questionnaire data were then integrated to delineate nine canonical vectors (i.e., brain-gender axes), providing a multilevel window into the conventional sex dichotomy. Our dimensional gender perspective captures four distinguishable brain phenotypes for gender identity, advocating a biologically grounded reconceptualization of gender dimorphism. We hope to pave the way towards objective, data-driven diagnostic markers for gender identity and transgender, taking into account neurobiological and behavioral differences in an integrative modeling approach.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».