Mapping Human Proprioceptive Projections of Upper Limb Muscles Through Spinal Cord <scp>fMRI</scp>
Notice bibliographique
Résumé
The functional organization of the human spinal cord has primarily been derived from clinical observations and invasive electrophysiological studies. Recent methodological advances opened the possibility of studying the neuronal activity of the spinal cord in humans using noninvasive functional magnetic resonance imaging (fMRI). Here, we took advantage of fMRI to map the patterns of activity elicited by muscle-specific proprioceptive information along the whole cervical cord. We quantified the fMRI signals of the cervical spinal cord in 24 healthy participants who received mechanical muscle tendon vibration to stimulate proprioceptive afferents. The wrist flexor, biceps, and anterior deltoid muscles were independently stimulated while the upper limbs were stationary to avoid movement artifacts. To account for anatomical variability among participants, we optimized activity pattern localization by identifying individual rootlets and determining corresponding spinal levels using a trained deep-learning model. Distinct activation patterns emerged based on the stimulated muscle and body side, which coincided with well-established myotome maps. Concretely, the vibration-induced proprioceptive stimuli activity circumscribed to the ipsilateral ventral horn with a rostrocaudal distribution that reflected the proximo-distal location of the stimulated muscles. This spatial organization supported the proprioceptive origin of the response. This study demonstrates that muscle tendon vibration combined with spinal cord fMRI enables the noninvasive identification of upper-limb myotomes within the cervical spinal cord, offering new possibilities for studying the functional organization of the spinal cord and for clinical applications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».