Task- and resting-state fMRI studies in multiple sclerosis: From regions to systems and time-varying analysis. Current status and future perspective
Notice bibliographique
Résumé
Multiple sclerosis (MS) is a neurological disorder affecting the central nervous system and features extensive functional brain changes that are poorly understood but relate strongly to clinical impairments. Functional magnetic resonance imaging (fMRI) is a non-invasive, powerful technique able to map activity of brain regions and to assess how such regions interact for an efficient brain network. FMRI has been widely applied to study functional brain changes in MS, allowing to investigate functional plasticity consequent to disease-related structural injury. The first studies in MS using active fMRI tasks mainly aimed to study such plastic changes by identifying abnormal activity in salient brain regions (or systems) involved by the task. In later studies the focus shifted towards resting state (RS) functional connectivity (FC) studies, which aimed to map large-scale functional networks of the brain and to establish how MS pathology impairs functional integration, eventually leading to the hypothesized network collapse as patients clinically progress. This review provides a summary of the main findings from studies using task-based and RS fMRI and illustrates how functional brain alterations relate to clinical disability and cognitive deficits in this condition. We also give an overview of longitudinal studies that used task-based and RS fMRI to monitor disease evolution and effects of motor and cognitive rehabilitation. In addition, we discuss the results of studies using newer technologies involving time-varying FC to investigate abnormal dynamism and flexibility of network configurations in MS. Finally, we show some preliminary results from two recent topics (i.e., multimodal MRI analysis and artificial intelligence) that are receiving increasing attention. Together, these functional studies could provide new (conceptual) insights into disease stage-specific mechanisms underlying progression in MS, with recommendations for future research.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».