MVComp toolbox: MultiVariate Comparisons of brain MRI features accounting for common information across measures
Notice bibliographique
Résumé
Introduction Multivariate approaches have recently gained in popularity to address the physiological unspecificity of neuroimaging measures and to better characterize the complexity of biological processes underlying behavior. However, commonly used approaches are biased by the intrinsic associations between variables, or they are computationally expensive and may be more complicated to implement than standard univariate approaches. Here, we propose using the Mahalanobis distance (D2), an individual-level measure of deviation relative to a reference distribution that accounts for covariance between measures. To facilitate its use, we introduce an open-source python-based tool for computing D2 relative to a reference group or within a single individual: the MultiVariate Comparison (MVComp) toolbox (https://github.com/neuralabc/mvcomp (https://github.com/neuralabc/mvcomp)). The toolbox allows different levels of analysis (i.e., group- or subject-level), resolutions (e.g., voxel-wise, ROI-wise) and dimensions considered (e.g., combining MRI measures or WM tracts). Several example cases are presented to showcase the wide range of possible applications of MVComp and to demonstrate the functionality of the toolbox. Methods & Results The D2 framework was applied to the assessment of white matter (WM) microstructure at 1) the group-level, where D2 can be computed between a subject and a reference group to yield an individualized measure of deviation. We observed that clustering applied to D2 in the corpus callosum yields parcellations that highly resemble known topography based on neuroanatomy, suggesting that D2 provides an integrative index that meaningfully reflects the underlying microstructure. 2) At the subject level, D2 was computed between voxels to obtain a measure of (dis)similarity. The loadings of each MRI measure (i.e., its relative contribution to D2) were then extracted in voxels of interest to showcase a useful option of the MVComp toolbox. These relative contributions can provide important insights into the physiological underpinnings of differences observed. Discussion Integrative multivariate models are crucial to expand our understanding of the complex brain-behavior relationships and the multiple factors underlying disease development and progression. Our toolbox facilitates the implementation of a useful multivariate method, making it more widely accessible.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».