Proof‐of‐concept of a novel structural equation modelling approach for the analysis of functional magnetic resonance imaging data applied to investigate individual differences in human pain responses
Notice bibliographique
Résumé
A novel network analysis method is demonstrated for applications with functional magnetic resonance imaging (fMRI) data. The method is based on structural equation modeling (SEM) plus modeling of physiological responses in order to explain blood oxygenation-level dependent (BOLD) responses across interconnected regions. The method, termed structural and physiological modeling (SAPM) aims to overcome a weakness of previous analysis methods by estimating both input and output signaling of every region of a network. The results also provide weighting factors (B) which describe the influence of each input signal to a region on its output signaling to another region. The SAPM method is demonstrated by applying it to fMRI data from the brainstem and spinal cord in 55 healthy participants undergoing repeated applications of a heat pain stimulation paradigm. Data are also analyzed using our established SEM method for comparison. The results with both methods indicate that individual differences in nociceptive processing are mediated by differences in descending regulation of spinal cord neurons under the influence of both the nucleus tractus solitarius and periaqueductal gray region. The SAPM results show that BOLD responses in the entire network can be explained during all periods of the stimulation paradigm based on two latent (unobserved) input signaling sources, and a model of the predicted BOLD responses to the heat stimulus. The results demonstrate the concept of our novel SAPM method and provide evidence for its validity. Additional studies are needed to further develop the method and its applications to investigations of complex neural processes across networks.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».