How do tasks impact the reliability of <scp>fMRI</scp> functional connectivity?
Notice bibliographique
Résumé
While there is growing interest in the use of functional magnetic resonance imaging-functional connectivity (fMRI-FC) for biomarker research, low measurement reliability of conventional acquisitions may limit applications. Factors known to impact FC reliability include scan length, head motion, signal properties, such as temporal signal-to-noise ratio (tSNR), and the acquisition state or task. As tasks impact signal in a region-wise fashion, they likely impact FC reliability differently across the brain, making task an important decision in study design. Here, we use the densely sampled Midnight Scan Club (MSC) dataset, comprising 5 h of rest and 6 h of task fMRI data in 10 healthy adults, to investigate regional effects of tasks on FC reliability. We further considered how BOLD signal properties contributing to tSNR, that is, temporal mean signal (tMean) and temporal standard deviation (tSD), vary across the brain, associate with FC reliability, and are modulated by tasks. We found that, relative to rest, tasks enhanced FC reliability and increased tSD for specific task-engaged regions. However, FC signal variability and reliability is broadly dampened during tasks outside task-engaged regions. From our analyses, we observed signal variability was the strongest driver of FC reliability. Overall, our findings suggest that the choice of task can have an important impact on reliability and should be considered in relation to maximizing reliability in networks of interest as part of study design.
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 | 0,034 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».