Characterization of Hemodynamic Alterations in Schizophrenia and Bipolar Disorder and Their Effect on Resting-State fMRI Functional Connectivity
Notice bibliographique
Résumé
Common and distinct neural bases of Schizophrenia (SZ) and bipolar disorder (BP) have been explored using resting-state fMRI (rs-fMRI) functional connectivity (FC). However, fMRI is an indirect measure of neural activity, which is a convolution of the hemodynamic response function (HRF) and latent neural activity. The HRF, which models neurovascular coupling, varies across the brain within and across individuals, and is altered in many psychiatric disorders. Given this background, this study had three aims: quantifying HRF aberrations in SZ and BP, measuring the impact of such HRF aberrations on FC group differences, and exploring the genetic basis of HRF aberrations. We estimated voxel-level HRFs by deconvolving rs-fMRI data obtained from SZ (N = 38), BP (N = 19), and matched healthy controls (N = 35). We identified HRF group differences (P < .05, FDR corrected) in many regions previously implicated in SZ/BP, with mediodorsal, habenular, and central lateral nuclei of the thalamus exhibiting HRF differences in all pairwise group comparisons. Thalamus seed-based FC analysis revealed that ignoring HRF variability results in false-positive and false-negative FC group differences, especially in insula, superior frontal, and lingual gyri. HRF was associated with DRD2 gene expression (P < .05, 1.62 < |Z| < 2.0), as well as with medication dose (P < .05, 1.75 < |Z| < 3.25). In this first study to report HRF aberrations in SZ and BP, we report the possible modulatory effect of dopaminergic signalling on HRF, and the impact that HRF variability can have on FC studies in clinical samples. To mitigate the impact of HRF variability on FC group differences, we suggest deconvolution during data preprocessing.
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 | 0,005 |
| 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 ».