Notice bibliographique
Résumé
Background: Resting state functional MRI (rs-fMRI) provides many advantages to task-based fMRI in neurosurgical populations, foremost of which is the lack of the need to perform a task. Many networks can be identified by rs-fMRI in a single period of scanning. Despite the advantages, there is a paucity of literature on rs-fMRI in neurosurgical populations. Methods: Eight patients with tumours near areas traditionally considered as eloquent cortex participated in a five minute rs-fMRI scan. Resting-state fMRI data underwent Independent Component Analysis (ICA) using the Multivariate Exploratory Linear Optimized Decomposition into Independent Components (MELODIC) toolbox in FSL. Resting state networks (RSNs) were identified on a visual basis. Results: Several RSNs, including language (N=7), sensorimotor (N=7), visual (N=7), default mode network (N=8) and frontoparietal attentional control (n=7) networks were readily identifiable using ICA of rs-fMRI data. Conclusion: These pilot data suggest that ICA applied to rs-fMRI data can be used to identify motor and language networks in patients with brain tumours. We have also shown that RSNs associated with cognitive functioning, including the default mode network and the frontoparietal attentional control network can be identified in individual subjects with brain tumours. While preliminary, this suggests that rs-fMRI may be used pre-operatively to localize areas of cortex important for higher order cognitive functioning.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».