Selecting the Most Relevant Brain Regions to Classify Children with Developmental Dyslexia and Typical Readers by Using Complex Magnocellular Stimuli and Multiple Kernel Learning
Notice bibliographique
Résumé
Increasing evidence supports the presence of deficits in the visual magnocellular (M) system in developmental dyslexia (DD). The M system is related to the fronto-parietal attentional network. Previous neuroimaging studies have revealed reduced/absent activation within the visual M pathway in DD, but they have failed to characterize the extensive brain network activated by M stimuli. We performed a multivariate pattern analysis on a Region of Interest (ROI) level to differentiate between children with DD and age-matched typical readers (TRs) by combining full-field sinusoidal gratings, controlled for spatial and temporal frequencies and luminance contrast, and a coherent motion (CM) sensitivity task at 6%-CML6, 15%-CML15 and 40%-CML40. ROIs spanning the entire visual dorsal stream and ventral attention network (VAN) had higher discriminative weights and showed higher act1ivation in TRs than in children with DD. Of the two tasks, CM had the greatest weight when classifying TRs and children with DD in most of the ROIs spanning these streams. For the CML6, activation within the right superior parietal cortex positively correlated with reading skills. Our approach highlighted the dorsal stream and the VAN as highly discriminative areas between children with DD and TRs and allowed for a better characterization of the "dorsal stream vulnerability" underlying DD.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».