To Smooth or not to Smooth: Enhancing Specificity While Maintaining Sensitivity
Notice bibliographique
Résumé
Abstract Traditionally, when conducting voxel- or vertex-wise analyses in neuroimaging studies, it seemed imperative that brain data are convoluted with a Gaussian kernel, a procedure known as “spatial smoothing”. However, we suggest that – under certain conditions – smoothing may be omitted for the benefit of an improved regional specificity. We demonstrate the suitability of this omission by combining high-dimensional spatial registration and threshold-free cluster enhancement (TFCE) in a sample of 754 brains. Our findings revealed that, without smoothing, it is possible to capture brain atrophy within the hippocampal complex while dissociating neighboring areas (cornu ammonis, dentate gyrys, subiculum, and amygdala). In contrast, the traditional smoothing step would result in a single hippocampal cluster (the larger the smoothing kernel, the lower the specificity). Supplemental analyses not only varying the size of the smoothing kernel, but also the size of the sample, the signal-to-noise ratio, as well as the accuracy of the spatial registration confirm that no smoothing (or less smoothing) leads to increased specificity while maintaining sensitivity, at least for small-scale structures (e.g., hippocampus and amygdala). Nevertheless, classic analyses based on smoothed data will continue to provide important insights, especially for large-scale structures (e.g., cortical regions).
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 | 0,009 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».