Reproducible Neuroimaging Analysis Pipelines for Dementia Research in Resource‐Limited Settings: Experience with fMRI Processing and Analysis
Notice bibliographique
Résumé
BACKGROUND: Resting-state functional MRI (rs-fMRI) allows us to investigate disruptions in brain connectivity associated with Alzheimer's disease (AD) progression. However, researchers in Low- and Middle-Income Countries (LMICs) face significant barriers in analyzing fMRI data due to limited computational resources, and lack of standardized preprocessing pipelines tailored towards limited resource environments. We created a reproducible, resource-efficient cloud-based rs-fMRI analysis pipeline specifically designed from open-source preprocessing tools to address these challenges and empower LMIC researchers to conduct comparable neuroimaging research. METHOD: This work was performed as part of the CONNExIN (COmprehensive Neuroimaging aNalysis Experience In resource-constraiNed Settings) Program, a neuroimage analysis training program for African neuroscience researchers. A team of CONNExIN students utilized the Pre-symptomatic Evaluation of Novel or Experimental Treatments for Alzheimer's Disease (PREVENT-AD) dataset to develop an open-access analysis pipeline. The dataset included 75 subjects, each with high-resolution anatomical T1-weighted images and rsfMRI datasets acquired at baseline and four annual follow-ups (12- 48 months). Our approach used Neurodesk (1) running on Google Colab to process and analyze the data using Google Cloud Engine instance (Intel(R) Xeon(R) CPU 3.10 GHz and 32GB RAM) running on a standard internet connection. Standard fMRI preprocessing steps (slice timing correction, motion correction, skull stripping and spatial normalization) were implemented to process the data. Functional connectivity metrics (Amplitude of Low-Frequency Fluctuations (ALFF), fractional ALFF (fALFF), and Regional Homogeneity (ReHo)) were estimated on a subset of the data to evaluate the functionality of our approach. RESULT: Preliminary analysis on data from 17 subjects taking around 20 minutes/timepoint/subject to generate reliable ALFF, fALFF, and ReHo maps (Figure 1), across all timepoints). Documentation of the full analysis pipeline will be made available on Protocol.io, ensuring transparency, version control, and facilitating reproducibility for LMIC researchers. CONCLUSION: We introduced a cloud-based low-resource rs-fMRI analysis pipeline to address computational constraints in LMIC research settings. Our approach will be applied to the whole PREVENT-AD dataset and an ongoing African dementia study. A reliability analysis across LMIC groups, running the same pipeline on the same dataset, will assess its generalizability for resource-efficient rs-fMRI analysis.
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 | 0,036 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,008 |
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 ».