Asymmetric generalizability of multimodal brain‐behavior associations across age‐groups
Notice bibliographique
Résumé
Machine learning methods have increasingly been used to map out brain-behavior associations (BBA), and to predict out-of-scanner behavior of unseen subjects. Given the brain changes that occur in the context of aging, the accuracy of these predictions is likely to depend on how similar the training and testing data sets are in terms of age. To this end, we examined how well BBAs derived from an age-group generalize to other age-groups. We partitioned the CAM-CAN data set (N = 550) into the young, middle, and old age-groups, then used the young and old age-groups to construct prediction models for 11 behavioral outcomes using multimodal neuroimaging features (i.e., structural and resting-state functional connectivity, and gray matter volume/cortical thickness). These models were then applied to all three age-groups to predict their behavioral scores. When the young-derived models were used, a graded pattern of age-generalization was generally observed across most behavioral outcomes-predictions are the most accurate in the young subjects in the testing data set, followed by the middle and then old-aged subjects. Conversely, when the old-derived models were used, the disparity in the predictive accuracy across age-groups was mostly negligible. These findings hold across different imaging modalities. These results suggest the asymmetric age-generalization of BBAs-old-derived BBAs generalized well to all age-groups, however young-derived BBAs generalized poorly beyond their own age-group.
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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».