Using Propensity Score Matching to Control for MRI Scan Quality
Notice bibliographique
Résumé
Movement during MRI scanning complicates distinguishing between the different tissues in the brain (e.g., grey and white matter). Standard practice excludes scans based on researcher-determined visual quality thresholds. Unfortunately, children, elderly, and clinical populations are shown to move more, resulting in higher exclusion rates. This disproportionate exclusion creates systematic bias in the literature and makes research findings less generalizable. Furthermore, the artifacts caused by motion are demonstrated to continue to confound data, even after visual quality control has occurred. We aimed to minimize the confounding factor of systematic group differences in movement. To achieve this, we used a post-scanning statistical technique called propensity score matching (PSM) that matches control and patient populations on scan quality metrics, leading to more comparable groups, greater inclusion, and more generalizable results. We found that PSM can attenuate significant differences in scan quality between groups while allowing for greater sample diversity than standard exclusion protocols. Crucially, using PSM can also alter the results of neuroimaging-based analyses. Using three datasets (total n = 1536), we compared voxel based morphometry analyses based on different quality control protocols. In particular, we observed discrepant results between PSM and strict threshold exclusion, with PSM magnifying some regional group differences and diminishing others. Overall, PSM is a customizable way to mitigate the impact of confounds in neuroimaging research and a powerful method to help distinguish true effects from artifacts.
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 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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».