Structure can predict function in the human brain: a graph neural network deep learning model of functional connectivity and centrality based on structural connectivity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although functional connectivity and associated graph theory measures (e.g., centrality; how centrally important to the network a region is) are widely used in brain research, the full extent to which these functional measures are related to the underlying structural connectivity is not yet fully understood. Graph neural network deep learning methods have not yet been applied for this purpose, and offer an ideal model architecture for working with connectivity data given their ability to capture and maintain inherent network structure. Here, we applied this model to predict functional connectivity from structural connectivity in a sample of 998 participants from the Human Connectome Project. Our results showed that the graph neural network accounted for 89% of the variance in mean functional connectivity, 56% of the variance in individual-level functional connectivity, 99% of the variance in mean functional centrality, and 81% of the variance in individual-level functional centrality. These results represent an important finding that functional centrality can be robustly predicted from structural connectivity. Regions of particular importance to the model's performance as determined through lesioning are discussed, whereby regions with higher centrality have a higher impact on model performance. Future research on models of patient, demographic, or behavioural data can also benefit from this graph neural network method as it is ideally-suited for depicting connectivity and centrality in brain networks. These results have set a new benchmark for prediction of functional connectivity from structural connectivity, and models like this may ultimately lead to a way to predict functional connectivity in individuals who are unable to do fMRI tasks (e.g., non-responsive patients).
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle