Harmonization of multi-scanner in vivo magnetic resonance spectroscopy: ENIGMA consortium task group considerations
Notice bibliographique
Résumé
Magnetic resonance spectroscopy is a powerful, non-invasive, quantitative imaging technique that allows for the measurement of brain metabolites that has demonstrated utility in diagnosing and characterizing a broad range of neurological diseases. Its impact, however, has been limited due to small sample sizes and methodological variability in addition to intrinsic limitations of the method itself such as its sensitivity to motion. The lack of standardization from a data acquisition and data processing perspective makes it difficult to pool multiple studies and/or conduct multisite studies that are necessary for supporting clinically relevant findings. Based on the experience of the ENIGMA MRS work group and a review of the literature, this manuscript provides an overview of the current state of MRS data harmonization. Key factors that need to be taken into consideration when conducting both retrospective and prospective studies are described. These include (1) MRS acquisition issues such as pulse sequence, RF and B0 calibrations, echo time, and SNR; (2) data processing issues such as pre-processing steps, modeling, and quantitation; and (3) biological factors such as voxel location, age, sex, and pathology. Various approaches to MRS data harmonization are then described including meta-analysis, mega-analysis, linear modeling, ComBat and artificial intelligence approaches. The goal is to provide both novice and experienced readers with the necessary knowledge for conducting MRS data harmonization studies.
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 | 0,149 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».