Evidence for white matter intrinsic connectivity networks at rest and during a task: A large-scale study and templates
Notice bibliographique
Résumé
Understanding white matter (WM) functional connectivity is crucial for unraveling brain function and dysfunction. In this study, we present a novel WM intrinsic connectivity network (ICN) template derived from over 100,000 fMRI scans, identifying 97 robust WM ICNs using spatially constrained independent component analysis (scICA). This WM template, combined with a previously identified gray matter (GM) ICN template from the same dataset, was applied to analyze a resting-state fMRI (rs-fMRI) dataset from the Bipolar-Schizophrenia Network on Intermediate Phenotypes 2 (BSNIP2; 590 subjects) and a task-based fMRI dataset from the MIND Clinical Imaging Consortium (MCIC; 75 subjects). Our analysis highlights distinct spatial maps for WM and GM ICNs, with WM ICNs showing higher frequency profiles. Visually modular structure within WM ICNs and interactions between WM and GM modules were identified. Task-based fMRI revealed event-related BOLD signals in WM ICNs, particularly within the corticospinal tract, lateralized to finger movement. Notable differences in static functional network connectivity (sFNC) matrices were observed between controls (HC) and schizophrenia (SZ) subjects in both WM and GM networks. This open-source WM NeuroMark template and automated pipeline offer a powerful tool for advancing WM connectivity research across diverse datasets.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».