Transformer-aided dynamic causal model for scalable estimation of effective connectivity
Notice bibliographique
Résumé
Dynamic Causal Models (DCMs) in functional Magnetic Resonance Imaging (fMRI) decipher causal interactions, known as Effective Connectivity, among neuronal populations. However, their utility is often constrained by computational limitations, restricting analysis to a small subset of interacting brain areas, typically fewer than 10, thus lacking scalability. While the regression DCM (rDCM) has emerged as a faster alternative to traditional DCMs, it is not without its limitations, including the linearization of DCM terms, reliance on a fixed Hemodynamic Response Function (HRF), and an inability to accommodate modulatory influences. In response to these challenges, we propose a novel hybrid approach named Transformer encoder DCM decoder (TREND), which combines a Transformer encoder with state-of-the-art physiological DCM (P-DCM) as decoder. This innovative method addresses the scalability issue while preserving the nonlinearities inherent in DCM equations. Through extensive simulations, we validate TREND's efficacy by demonstrating its ability to accurately predict effective connectivity values with dramatically reduced computational time relative to original P-DCM even in networks comprising up to, for instance, 100 interacting brain regions. Furthermore, we showcase TREND on an empirical fMRI dataset demonstrating the superior accuracy and/or speed of TREND compared with other DCM variants. In summary, by amalgamating P-DCM with Transformer, we introduce and validate a pioneering approach for determining effective connectivity values among brain regions, extending its applicability seamlessly to large-scale brain networks.
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 | 0,001 | 0,009 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».