<scp>Cross‐Scanner</scp> Harmonization of <scp>Neuromelanin‐Sensitive MRI</scp> for Multisite Studies
Notice bibliographique
Résumé
BACKGROUND: Neuromelanin-sensitive magnetic resonance imaging (NM-MRI) is a validated measure of neuromelanin concentration in the substantia nigra-ventral tegmental area (SN-VTA) complex and is a proxy measure of dopaminergic function with potential as a noninvasive biomarker. The development of generalizable biomarkers requires large-scale samples necessitating harmonization approaches to combine data collected across sites. PURPOSE: To develop a method to harmonize NM-MRI across scanners and sites. STUDY TYPE: Prospective. POPULATION: A total of 128 healthy subjects (18-73 years old; 45% female) from three sites and five MRI scanners. FIELD STRENGTH/SEQUENCE: 3.0 T; NM-MRI two-dimensional gradient-recalled echo with magnetization-transfer pulse and three-dimensional T1-weighted images. ASSESSMENT: NM-MRI contrast (contrast-to-noise ratio [CNR]) maps were calculated and CNR values within the SN-VTA (defined previously by manual tracing on a standardized NM-MRI template) were determined before harmonization (raw CNR) and after ComBat harmonization (harmonized CNR). Scanner differences were assessed by calculating the classification accuracy of a support vector machine (SVM). To assess the effect of harmonization on biological variability, support vector regression (SVR) was used to predict age and the difference in goodness-of-fit (Δr) was calculated as the correlation (between actual and predicted ages) for the harmonized CNR minus the correlation for the raw CNR. STATISTICAL TESTS: Permutation tests were used to determine if SVM classification accuracy was above chance level and if SVR Δr was significant. A P-value <0.05 was considered significant. RESULTS: In the raw CNR, SVM MRI scanner classification was above chance level (accuracy = 86.5%). In the harmonized CNR, the accuracy of the SVM was at chance level (accuracy = 29.5%; P = 0.8542). There was no significant difference in age prediction using the raw or harmonized CNR (Δr = -0.06; P = 0.7304). DATA CONCLUSION: ComBat harmonization removes differences in SN-VTA CNR across scanners while preserving biologically meaningful variability associated with age. LEVEL OF EVIDENCE: 2 TECHNICAL EFFICACY: 1.
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) | 0,001 | 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 | 0,000 | 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 ».