NeuroCI: Continuous Integration of Neuroimaging Results Across Software Pipelines and Datasets
Notice bibliographique
Résumé
Abstract —Neuroimaging study results can vary significantly depending on the datasets and processing pipelines utilized by researchers to run their analyses, contributing to reproducibility issues. These issues are compounded by the fact that there are a large variety of seemingly equivalent tools and methodologies available to researchers for processing neuroimaging data. Here we present NeuroCI, a novel software framework that allows users to evaluate the variability of their results across multiple pipelines and datasets. NeuroCI makes use of Continuous Integration (CI), a software engineering technique, to facilitate the reproducibility of computational experiments by launching a series of automated tests when code or data is added to a repository. However, unlike regular CI services, our CI-based framework uses distributed computation and storage to meet the large memory and storage requirements of neuroimaging pipelines and datasets. Moreover, the framework’s modular design enables it to continuously ingest pipelines and datasets provided by the user, and to compute and visualize results across the multiple different pipelines and datasets. This allows researchers and practitioners to quantify the variability and reliability of results in their domain across a large range of computational methods.
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 | 0,043 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».