Harmonization of diffusion MRI measures is crucial for white matter tract normative assessment in ADNI
Notice bibliographique
Résumé
Abstract Background Diffusion MRI (dMRI) measures are variable across sites and MRI vendors, which leads to a site bias in the reported quantitative white matter metrics (Figure 1). ComBat is currently the go‐to method for harmonizing MRI data. However, to our knowledge, the harmonization power of ComBat has not been convincingly demonstrated on the ADNI cohort and was never tested in the context of normative assessment for Alzheimer’s disease (AD) patients. Methods We select 21 sites in the ADNI cohort with at least 10 healthy controls (HC) datapoints per site. Instead of harmonizing all patients from every site onto an average template, as done in ComBat, we identified a reference site containing a large number of HC of all ages and gender. We use the Cam‐CAN dataset, with 441 subjects aged 18‐87. Moreover, instead of computing the harmonization function from every subject (HC and AD), only HC are used. The harmonization function of each site is thus computed in a pairwise fashion between each ADNI site and the Cam‐CAN site. Finally, once the harmonization function of each site is computed, all subjects of every site are harmonized towards the Cam‐CAN site. All results are shown for the Mean Diffusivity and Apparent Fiber Density dMRI measures in the left arcuate fasciculus. Results The left panel of Figure 1 shows how dMRI measures vary across sites/vendors. The most striking bias is between Philips sites/scanners and the rest. The right panel of Figure 1 shows the successful harmonization effect of ComBat. In Figure 2, the Cam‐CAN reference is shown in gray with different percentile distributions across ages and AD patients from the GE ADNI site #127 before and after harmonization. Harmonization clearly moves HC and AD datapoints in the correct measurement “space” and preserves disease stage (HC vs AD). Conclusions We showed that harmonization is crucial in white matter dMRI in ADNI. Harmonization methods can correct site biases and are robust to pathology, as HC and AD patients are successfully harmonized across sites. Harmonization is thus crucial for data pooling and quantitative comparison in large multi‐site datasets such as ADNI.
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 | 0,023 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».