Converging on consistent functional connectomics
Notice bibliographique
Résumé
Abstract Functional interactions between brain regions can be viewed as a network, empowering neuroscientists to leverage network science to investigate distributed brain function. However, obtaining a brain network from functional neuroimaging data involves multiple steps of data manipulation, which can drastically affect the organisation and validity of the estimated brain network and its properties. Here, we provide a systematic evaluation of 576 unique data-processing pipelines for functional connectomics from resting-state functional MRI, obtained from all possible recombinations of popular choices for brain atlas type and size, connectivity definition and selection, and global signal regression. We use the portrait divergence, an information-theoretic measure of differences in network topology across scales, to quantify the influence of analytic choices on the overall organisation of the derived functional connectome. We evaluate each pipeline across an entire battery of criteria, seeking pipelines that (i) minimise spurious test-retest discrepancies of network topology, while simultaneously (ii) mitigating motion confounds, and being sensitive to both (iii) inter-subject differences and (iv) experimental effects of interest, as demonstrated by propofol-induced general anaesthesia. Our findings reveal vast and systematic variability across pipelines’ suitability for functional connectomics. Choice of the wrong data-processing pipeline can lead to results that are not only misleading, but systematically so, distorting the functional connectome more drastically than the passage of several months. We also found that the majority of pipelines failed to meet at least one of our criteria. However, we identified 8 candidates satisfying all criteria across each of four independent datasets spanning minutes, weeks, and months, ensuring the generalisability of our recommendations. Our results also generalise to alternative acquisition parameters and preprocessing and denoising choices. By providing the community with a full breakdown of each pipeline’s performance across this multi-dataset, multi-criteria, multi-scale and multi-step approach, we establish a comprehensive set of benchmarks to inform future best practices in functional connectomics.
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 | 0,017 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».