Towards repeatable and converging methods in diffusion MRI: Evidence from a longitudinal chronic pain cohort
Notice bibliographique
Résumé
Abstract Introduction Studies of white matter (WM) alterations in chronic low back pain (CLBP) using diffusion MRI (dMRI) have yielded inconsistent results, highlighting a need for more reproducible methods. This study introduces a longitudinal analysis pipeline designed to identify stable and repeatable WM microstructural differences between CLBP patients and healthy controls. Methods Diffusion MRI was acquired from 27 CLBP patients and 25 control participants at three separate visits with two-month intervals. A customized Tract-Based Spatial Statistics (TBSS) analysis was performed on fractional anisotropy (FA) maps that were averaged across visits for each participant. Resulting clusters showing group differences were subsequently filtered based on cluster size (>10 voxels) and a high repeatability threshold (image intra-class correlation coefficient [I2C2] > 0.75) to ensure findings were stable across all three imaging sessions. Results were compared against standard single-visit analyses and an alternative tractometry analysis. Results The repeatability analysis identified 11 clusters with stable and significant FA differences. Seven clusters, located primarily in the occipital, parietal, and frontal lobes, showed higher FA in controls. Four clusters, located in the frontal and temporal lobes, showed higher FA in the CLBP group. In contrast, single-visit analyses identified a much larger number of clusters (21 to 36), the majority of which were not spatially consistent across time and did not overlap with the final repeatable clusters. The repeatable TBSS findings demonstrated a strong spatial correspondence with group differences found using a tractometry analysis. Discussion By incorporating a longitudinal design and explicit repeatability filtering, our method effectively reduces spurious findings common in single-visit dMRI studies. This approach successfully isolated reliable WM regions with altered dMRI metrics in CLBP, demonstrating its value in improving the robustness of neuroimaging research in chronic pain.
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 | 0,038 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».