♻️#مدلسازی و #پیش_بینی #توجه #مستمر
#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets
در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.
Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets
در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.
Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
♻️روشهای جدید #تصویربرداری #مغزی برای #MS
New #Concepts Related to #Disease #Appreciation in #Multiple #Sclerosis
پژوهشگران نوروساینس دانشگاه کالیفرنیای جنوبی 🇺🇸، در گزارشی که به تازگی منتشر شده است به ادغام یافته های جدید در حوزه #تشخیص و #درمان #تصلب #چندگانه توسط تصویربرداری های مغزی، پرداخته اند.
اهم یافته های آنها به شرح زیر است👇🏻
1️⃣روش های تصویربرداری از #عروق #مغزی، شناسایی آسیب های قشر مخ، و #نقشه برداری از آسیب های احتمالی بعنوان روش های جدید MRI هستند که می توانند دقت تشخیص در #اسکلروز #مالتیپل را بالا ببرند.
2️⃣کاربرد این تکنیک ها در فعالیت های تشخیصی عادی برای بیماران، مستلزم #استاندادرسازی و #تجاری سازی این روشهاست تا مقرون به صرفه و دارای توجیه اقتصادی باشند.
3️⃣همچنین،لازم است روش های تشخیصی MS به شکل مدوّنی استاندارد و بهینه سازی شوند تا بیماری ها و آسیب های غیرمرتبط، به اشتباه منجر به تشخیص MS نشوند.
4️⃣در حال حاضر پیشرفت های #ریاضی و #مهندسی #پزشکی به حدی از قابلیت رسیده اند که می توان با افزودن نرم افزارها و پردازشگرهای تصویری جدید به دستگاه های MRI موجود، نقشه های مغزی دقیق تری تهیه نمود و قدرت و دقت تشخیص را چندین برابر نمود. این امر افزون بر افزایش دقت تشخیص، کمک شایانی به پیش آگهی (پیش بینی سیر بیماری و درمان نگهدارنده) خواهد نمود.
KEY POINTS
🔑#Central #vein #imaging, #cortical #lesion #detection, and #lesion #probability #mapping are emerging #MRI techniques that have the potential to improve the accuracy of MRI in establishing a diagnosis of #MS.
🔑Incorporating central vein imaging into #clinical practice will require the adoption of a #standardized and #commercially available pulse sequence to detect central veins, a uniform definition of a central vein, and standard criteria to define the central vein sign as present or absent in an #individual #patient.
🔑Pulse sequences need to be optimized to ensure reliable detection of all cortical lesion types before incorporating cortical lesions into MS diagnostic criteria or clinical practice.
🔑The field needs to develop sophisticated #image #processing #algorithms that are robust to large heterogeneity in MRI acquisition to derive useful information from the MRI scans that are collected in clinical practice.
🔑With some additional work, image #subtraction and #brain #volumetrics are promising tools that could provide clinicians with quantitative metrics to monitor MS patients over time.
لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.ncl.2017.08.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
New #Concepts Related to #Disease #Appreciation in #Multiple #Sclerosis
پژوهشگران نوروساینس دانشگاه کالیفرنیای جنوبی 🇺🇸، در گزارشی که به تازگی منتشر شده است به ادغام یافته های جدید در حوزه #تشخیص و #درمان #تصلب #چندگانه توسط تصویربرداری های مغزی، پرداخته اند.
اهم یافته های آنها به شرح زیر است👇🏻
1️⃣روش های تصویربرداری از #عروق #مغزی، شناسایی آسیب های قشر مخ، و #نقشه برداری از آسیب های احتمالی بعنوان روش های جدید MRI هستند که می توانند دقت تشخیص در #اسکلروز #مالتیپل را بالا ببرند.
2️⃣کاربرد این تکنیک ها در فعالیت های تشخیصی عادی برای بیماران، مستلزم #استاندادرسازی و #تجاری سازی این روشهاست تا مقرون به صرفه و دارای توجیه اقتصادی باشند.
3️⃣همچنین،لازم است روش های تشخیصی MS به شکل مدوّنی استاندارد و بهینه سازی شوند تا بیماری ها و آسیب های غیرمرتبط، به اشتباه منجر به تشخیص MS نشوند.
4️⃣در حال حاضر پیشرفت های #ریاضی و #مهندسی #پزشکی به حدی از قابلیت رسیده اند که می توان با افزودن نرم افزارها و پردازشگرهای تصویری جدید به دستگاه های MRI موجود، نقشه های مغزی دقیق تری تهیه نمود و قدرت و دقت تشخیص را چندین برابر نمود. این امر افزون بر افزایش دقت تشخیص، کمک شایانی به پیش آگهی (پیش بینی سیر بیماری و درمان نگهدارنده) خواهد نمود.
KEY POINTS
🔑#Central #vein #imaging, #cortical #lesion #detection, and #lesion #probability #mapping are emerging #MRI techniques that have the potential to improve the accuracy of MRI in establishing a diagnosis of #MS.
🔑Incorporating central vein imaging into #clinical practice will require the adoption of a #standardized and #commercially available pulse sequence to detect central veins, a uniform definition of a central vein, and standard criteria to define the central vein sign as present or absent in an #individual #patient.
🔑Pulse sequences need to be optimized to ensure reliable detection of all cortical lesion types before incorporating cortical lesions into MS diagnostic criteria or clinical practice.
🔑The field needs to develop sophisticated #image #processing #algorithms that are robust to large heterogeneity in MRI acquisition to derive useful information from the MRI scans that are collected in clinical practice.
🔑With some additional work, image #subtraction and #brain #volumetrics are promising tools that could provide clinicians with quantitative metrics to monitor MS patients over time.
لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.ncl.2017.08.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
Algorithm in Computer Programming Tutorials:
Session 1:
The Quest for Efficiency: An Introduction to #Algorithms
#prgramming #AI
LINK 📚👇🏼
https://www.ipbses.com/faq/postid/522/
Session 1:
The Quest for Efficiency: An Introduction to #Algorithms
#prgramming #AI
LINK 📚👇🏼