Improved injury detection through harmonizing multi-site neuroimaging data after experimental TBI: a Translational Outcomes Project in Neurotrauma consortium study
Notice bibliographique
Résumé
Multi-site neuroimaging studies have become increasingly common in order to generate larger samples of reproducible data to answer questions associated with smaller effect sizes. The data harmonization model NeuroCombat has been shown to remove site effects introduced by differences in site-related technical variance while maintaining group differences, yet its effect on improving statistical power in pre-clinical models of CNS disease is unclear. The present study examined fractional anisotropy data computed from diffusion weighted imaging data at 3 and 30 days post-controlled cortical impact injury from 184 adult rats across four sites as part of the Translational-Outcome-Project-in-Neurotrauma (TOP-NT) Consortium. Findings supported prior clinical reports that NeuroCombat fails to remove site effects in data containing a high proportion-of-outliers (>5%) and skewness, which introduced significant variation in non-outlier sites. After removal of one outlier site and harmonization using a pooled sham population, the data displayed an increase in effect size and group level effects (p < 0.01) in both univariate and voxel-level volumes of pathology. This was characterized by movement toward similar distributions in voxel measurements (Kolmogorov–Smirnov p < <0.001 to >0.01) and statistical power increases within the ipsilateral cortex. Harmonization improved statistical power and frequency of significant differences in areas with existing group differences, thus improving the ability to detect regions affected by injury rather than by other confounds. These findings indicate the utility of NeuroCombat in reproducible data collection, where biological differences can be accurately revealed to allow for greater reliability in multi-site neuroimaging studies.
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 | 0,022 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».