Exploring the Relationship Between White Matter Tracts and Resting-State Functional Language Lateralization Index
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
Resting-state functional magnetic resonance imaging (rs-fMRI) enables the evaluation of the language network and is particularly useful for measuring language lateralization with minimal participant effort and methodological biases (e.g., no language task execution or selection). Tractography using diffusion MRI (dMRI) provides complementary information on language-associated white matter bundles. Some structural white matter measures of the left or right hemisphere have been related to the functional language lateralization index (LI) and allow a better understanding of this network. This study utilizes tractography to identify white matter structural predictors of LI from a single hemisphere, employing linear regression and random forest models. Rs-fMRI and dMRI data from 618 healthy subjects of the Human Connectome Project were used to link LI to micro- and macro-structural measures of the arcuate fasciculi, the inferior longitudinal fasciculi, the frontal aslant tracts and sections of the corpus callosum. Results suggest a possible relationship between micro- and macro-structural measures of white matter tracts, and functional language lateralization measured in resting-state. However, the identified predictors are not sufficiently representative to be considered proxies for functional language lateralization. In conclusion, both micro- and macro-structural white matter characteristics as well as both left and right hemispheres are important to consider, but are not sufficient on their own, when investigating the relationship between brain structures and functional language lateralization.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle