Awake infant fMRI: Insights from more than 750 scanning sessions
Notice bibliographique
Résumé
Abstract Functional magnetic resonance imaging (fMRI) in awake infants has the potential to reveal how the early developing brain gives rise to cognition and behavior. However, awake infant fMRI poses significant methodological challenges that have hampered wider adoption. The present work takes stock after the collection of a substantial amount of awake infant fMRI data across multiple studies from two labs at different institutions. These data were leveraged to glean insights on participant recruitment, experimental design, and data acquisition that could be useful to consider for future studies. Across 766 fMRI sessions with awake infants aged 1–36 months, the authors explored the factors that influenced how much usable data were obtained per session. The age of an infant predicted whether they would successfully enter the scanner (younger more likely) and, if they did enter, the number of minutes of functional data collected (linear, younger more) and retained after preprocessing with lab-specific protocols or harmonized motion exclusion thresholds (quadratic, 12–24 months more than younger and older). The amount of functional data retained was also influenced by assigned sex (female more), experimental paradigm (movies better than blocks and events), and stimulus content (social better than abstract). There were many differences in the research approach between labs making head-to-head comparisons difficult, but Yale was more likely to get infants into the scanner, MIT collected more data from infants who entered, and the amount of data retained after preprocessing did not differ statistically between labs (9 minutes). In addition, the authors assessed the value of attempting to collect multiple experiments per session, an approach that yielded more than one usable experiment averaging across all sessions. Although any given scan is unpredictable, these findings support the feasibility of awake infant fMRI and suggest practices to optimize future research.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».