Diffusion‐weighted <scp>MR</scp> spectroscopy: Consensus, recommendations, and resources from acquisition to modeling
Notice bibliographique
Résumé
Brain cell structure and function reflect neurodevelopment, plasticity, and aging; and changes can help flag pathological processes such as neurodegeneration and neuroinflammation. Accurate and quantitative methods to noninvasively disentangle cellular structural features are needed and are a substantial focus of brain research. Diffusion-weighted MRS (dMRS) gives access to diffusion properties of endogenous intracellular brain metabolites that are preferentially located inside specific brain cell populations. Despite its great potential, dMRS remains a challenging technique on all levels: from the data acquisition to the analysis, quantification, modeling, and interpretation of results. These challenges were the motivation behind the organization of the Lorentz Center workshop on "Best Practices & Tools for Diffusion MR Spectroscopy" held in Leiden, the Netherlands, in September 2021. During the workshop, the dMRS community established a set of recommendations to execute robust dMRS studies. This paper provides a description of the steps needed for acquiring, processing, fitting, and modeling dMRS data, and provides links to useful resources.
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 | 0,072 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,012 |
| Science ouverte | 0,013 | 0,008 |
| Intégrité de la recherche | 0,012 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,013 |
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 ».