Identifying canonical and replicable multi‐scale intrinsic connectivity networks in 100k+ <scp>resting‐state fMRI</scp> datasets
Notice bibliographique
Résumé
Despite the known benefits of data-driven approaches, the lack of approaches for identifying functional neuroimaging patterns that capture both individual variations and inter-subject correspondence limits the clinical utility of rsfMRI and its application to single-subject analyses. Here, using rsfMRI data from over 100k individuals across private and public datasets, we identify replicable multi-spatial-scale canonical intrinsic connectivity network (ICN) templates via the use of multi-model-order independent component analysis (ICA). We also study the feasibility of estimating subject-specific ICNs via spatially constrained ICA. The results show that the subject-level ICN estimations vary as a function of the ICN itself, the data length, and the spatial resolution. In general, large-scale ICNs require less data to achieve specific levels of (within- and between-subject) spatial similarity with their templates. Importantly, increasing data length can reduce an ICN's subject-level specificity, suggesting longer scans may not always be desirable. We also find a positive linear relationship between data length and spatial smoothness (possibly due to averaging over intrinsic dynamics), suggesting studies examining optimized data length should consider spatial smoothness. Finally, consistency in spatial similarity between ICNs estimated using the full data and subsets across different data lengths suggests lower within-subject spatial similarity in shorter data is not wholly defined by lower reliability in ICN estimates, but may be an indication of meaningful brain dynamics which average out as data length increases.
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 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».