Assessment of the Role of Connection Length on Methodological Variance in Dynamic Functional Connections
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dynamic functional connectivity (dFC) is the study of changes in the brain’s functional organization over time. dFC has been a growing field of research due to its importance in understanding cognitive processes and its potential applications as a biomarker for neurodegenerative diseases. However, the choice of dFC assessment methodology has been found to significantly impact dFC results, putting into question the reliability of the findings using these methods. Considering recent studies revealing the impact of structural connectivity on functional connectivity, we speculated that connection length, as a structural aspect, may indirectly influence dFC magnitudes and variability. We examined the impact that connection length had on dFC variability across methods. Furthermore, these connections were inspected according to whether they are intra- or inter- brain networks (i.e., the connection is between two regions that belong to the same or different brain network). We conducted our analysis in Python using resting-state functional MRI data of 395 subjects taken from the Human Connectome Project and evaluated them using seven well-known dFC assessment methodologies. The study revealed that longer connections lead to greater variation in dFC over methods for both intra- and inter-network connections. Interestingly, short inter-network connections show increased dFC variance across methods. Current limitations of this study include using Euclidean distance as a measure of connection length and assuming functional connections are independent in parametric statistical analyses. Our investigation is a step toward understanding the factors influencing the observed inconsistency in dFC pattern estimation obtained from different methodologies.
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.
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 | 0,011 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle