Exploring brain connectivity changes in major depressive disorder using <scp>functional‐structural</scp> data fusion: A CAN‐BIND‐1 study
Notice bibliographique
Résumé
There is a growing interest in examining the wealth of data generated by fusing functional and structural imaging information sources. These approaches may have clinical utility in identifying disruptions in the brain networks that underlie major depressive disorder (MDD). We combined an existing software toolbox with a mathematically dense statistical method to produce a novel processing pipeline for the fast and easy implementation of data fusion analysis (FATCAT-awFC). The novel FATCAT-awFC pipeline was then utilized to identify connectivity (conventional functional, conventional structural and anatomically weighted functional connectivy) changes in MDD patients compared to healthy comparison participants (HC). Data were acquired from the Canadian Biomarker Integration Network for Depression (CAN-BIND-1) study. Large-scale resting-state networks were assessed. We found statistically significant anatomically-weighted functional connectivity (awFC) group differences in the default mode network and the ventral attention network, with a modest effect size (d < 0.4). Functional and structural connectivity seemed to overlap in significance between one region-pair within the default mode network. By combining structural and functional data, awFC served to heighten or reduce the magnitude of connectivity differences in various regions distinguishing MDD from HC. This method can help us more fully understand the interconnected nature of structural and functional connectivity as it relates to depression.
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 | 0,001 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».