Pairwise Functional Connectivity Estimation in Spinocerebellar Ataxia Type 3 Using Sparse Gaussian Markov Network: Integrating Group and Individual Analyses of rs-fMRI
Notice bibliographique
Résumé
Functional connectivity (FC) patterns from resting-state fMRI data provide relevant information for understanding brain function. In this research, we propose a representation of FC patterns in the form of a sparse graphical model that characterizes brain dynamics. Given that neurological processes typically involve specific brain regions interacting with only a few other regions for given tasks, it is reasonable to introduce sparsity into a graphical model to describe brain dynamics better. However, a challenge in constructing individual Gaussian Markov networks for each subject's rs-fMRI data set is the small number of time points in clinical data. This limitation can lead to unreliable and inaccurate estimation of precision metrics. Therefore, we propose a novel three-step approach that reduces the spatial information of the individual-level based on propagating information from group-level to individual-level analysis. In addition, this approach simultaneously considers different sparsity patterns outside each group and similar sparsity patterns inside each group, considering individual variability. We evaluate the effectiveness of our approach by training the model to differentiate between spinocerebellar ataxia patients (SCA3) and healthy controls. Our results show that our proposed method outperforms other state-of-the-art methods in performance and interoperability. Moreover, our approach gives an explainable subset of FC patterns, which includes information on regions and connections that are conditionally independent and can be used for future studies of SCA type 3 patients.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 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 ».