This is your brain on disk: the impact of numerical instabilities in neuroscience
Bibliographic record
Abstract
La neuroimagerie, un domaine axé sur la compréhension de la structure et de la fonction du cerveau, a évolué pour devenir une discipline informatique. Ces dernières années, grâce à la collecte et à l'évaluation de riches ensembles de données descriptifs, d'innombrables études ont exploré les relations entre l'imagerie par résonance magnétique du cerveau et des informations phénotypiques telles que les pathologies, le sexe ou différents stades de développement. Cependant, comme pour denombreuses disciplines scientifiques modernes, la fiabilité de ces relations dépend de la fiabilité et de l'accessibilité des méthodes et des logiciels de calcul utilisés. Avec l'émergence de problématiques liées à la reproductibilité, les études de neuroimagerie sont l'objet d'un certain scepticisme quant à la robustesse de leurs résultats. Dans certains cas, la reproductibilité peut être garantie par la publication des ensembles de données et des logiciels utilisés. Dans d'autres cas, la sensibilité ou l'instabilité des algorithmes numériques utilisés pour traiter ces données complexes peut générer une variabilité importante et inattendue. Bien qu'une variabilité importante des analyses de neuroimagerie ait été observée à travers la communauté scientifique, du fait de variations dans le choix des méthodes, des suites logicielles, ou même du système d'exploitation utilisé, à ce jour aucune étude n'a caractérisé l'effet de l'erreur machine sur les résultats. Dans cette thèse, j'ai développé une infrastructure pour les environnements de calcul haute performance qui permet l'analyse à grande échellede la stabilité numérique des expériences en neuroimagerie. J’ai utilisé cette infrastructure pour évaluer le rôle que l'incertitude numérique joue dans le calcul de la reproductibilité des résultats. En me concentrant sur la cartographie des connexions entre les régions du cerveau, appelée aussi la connectomique structurelle, j'ai perturbé la création des connectomes et j'ai ensuite évalué la variabilité observée pour caractériser l'accumulation de l'erreur numérique au cours d'une analyse. J'ai découvert que non seulement les erreurs de calcul liées à la représentation des nombres réels en virgule flottante ont un impact considérable sur les résultats, mais qu'elles peuvent aussi aller dans certains cas jusqu'à masquer les différences entre les connectomes de sujets différents. Ces résultats montre de manière empirique l'erreur minimale induite par le modèle flottant dans la chaîne de traitement. Mes travaux s'efforcent aussi d'interpréter la variabilité observée comme un atout de l’analyse de données plutôt que comme une limitation. Mes résultats montrent que non seulement cette variabilité augmente lafiabilité des ensembles de données, mais qu'elle peut aussi être exploitée pour produire des relations cerveau-phénotype plus fortes et plus généralisables. La combinaison de ces résultats démontre, de manière significative, que les erreurs de calcul présentes dans les logiciels de traitement de données conduisent à des différences importantes dans les analyses de neuroimagerie. Toutefois, lorsqu'elles sont prises en compte et expliquées,ces différences peuvent devenir un atout pour les analyses plutôt qu'une limitation. Parallèlement à la présentation de ces analyses, cette thèse présente des outils et un schéma qui peuvent être suivis pour l'exploration plus approfondie de l'incertitude numérique et le rôle qu'elle peut jouer dans notre compréhension du cerveau
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.116 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.016 | 0.020 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.057 | 0.024 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".