Advancing image-based meta-analysis for fMRI: A framework for leveraging NeuroVault data
Notice bibliographique
Résumé
Abstract Image-based meta-analysis (IBMA) is a powerful method for synthesizing results from various fMRI studies. However, challenges related to data accessibility and the lack of available tools and methods have limited its widespread use. This study examined the current state of the NeuroVault repository and developed a comprehensive framework for selecting and analyzing neuroimaging statistical maps within it. By systematically assessing the quality of NeuroVault’s data and implementing novel selection and meta-analysis techniques, we demonstrated the repository’s potential for IBMA. We created a multi-stage selection framework that includes preliminary, heuristic, and manual image selection methods. We conducted meta-analyses for three distinct domains: working memory, motor, and emotion processing. The results from the three manual IBMA approaches closely resembled reference maps from the Human Connectome Project. Importantly, we found that while manual selection provides the most precise results, heuristic methods can serve as robust alternatives, especially for domains that include a heterogeneous set of fMRI tasks and contrasts, such as emotion processing. Additionally, we evaluated five different meta-analytic estimator methods to assess their effectiveness in handling spurious images. For domains characterized by heterogeneous tasks, employing a robust estimator (e.g., median) is essential. This study is the first to present a systematic approach for implementing IBMA using the NeuroVault repository. We introduce an accessible and reproducible methodology that allows researchers to make the most of NeuroVault’s extensive neuroimaging resources, potentially fostering greater interest in data sharing and future meta-analyses utilizing NeuroVault data.
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 | 0,417 | 0,677 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,009 | 0,026 |
| Bibliométrie | 0,027 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,010 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».