Generation of surrogate brain maps preserving spatial autocorrelation through random rotation of geometric eigenmodes
Notice bibliographique
Résumé
The brain expresses activity in complex spatiotemporal patterns, reflected in the influence of spatially distributed cytoarchitectural, biochemical, and genetic properties. The correspondence between these multimodal "brain maps" may reflect underlying causal pathways and is hence a topic of substantial interest. However, these maps possess intrinsic smoothness (spatial autocorrelation, SA) which can inflate spurious cross-correlations, leading to false positive associations. Identifying true associations requires knowledge about the distribution of correlations that arise by chance in the presence of SA. This null distribution can be generated from an ensemble of surrogate brain maps that preserve internal SA but break correlations between maps. The present work introduces "eigenstrapping", using a spectral decomposition of cortical and subcortical surfaces in terms of geometric eigenmodes, and then randomly rotating these modes to produce SA-preserving surrogate brain maps. It is shown that these surrogates appropriately represent the null distribution of chance pairwise correlations, with similar or superior false positive control to current state-of-the-art procedures. Eigenstrapping is fast, eschews the need for parametric assumptions about the nature of the SA, and works with maps defined on smooth surfaces with or without a boundary. It generalizes to broader classes of null models than existing techniques, offering a unified approach for inference on cortical and subcortical maps, spatiotemporal processes, and complex patterns possessing higher-order correlations.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».