DOI: https://doi.org/10.1038/s41586-025-09250-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40670782
تاريخ النشر: 2025-07-16
المؤلف: Leon Qi Rong Ooi وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
الطرق
قسم الطرق يحدد تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجربة محكومة لتقييم تأثير المتغير X على النتيجة Y. تم جمع البيانات من خلال أخذ عينات منهجية، مما يضمن حجم عينة تمثيلية يعزز موثوقية النتائج.
تم إجراء التحليلات الإحصائية باستخدام البرنامج Z، مع تطبيق اختبارات مناسبة مثل ANOVA وتحليل الانحدار لتقييم دلالة النتائج. كما شملت المنهجية تدابير للتحكم في المتغيرات المربكة، مما يعزز الصلاحية الداخلية للدراسة. بشكل عام، توفر الطرق المستخدمة إطارًا قويًا لفهم العلاقة بين المتغيرات قيد التحقيق.
المناقشة
في هذا القسم، يستكشف المؤلفون إمكانية تبادل حجم العينة ووقت المسح في التنبؤ بالأنماط المعرفية باستخدام مصفوفات الاتصال الوظيفي في حالة الراحة (RSFC) المستمدة من بيانات fMRI. يقومون بتحليل البيانات من مشروع الاتصال البشري (HCP) ودراسة تطوير الدماغ المعرفي للمراهقين (ABCD)، مع تغيير مدة المسح وعدد المشاركين لتقييم دقة التنبؤ عبر الانحدار الجبري (KRR). تشير النتائج إلى أن زيادة حجم العينة ووقت المسح يعززان أداء التنبؤ، مع ملاحظة عوائد متناقصة بعد حدود معينة. من الجدير بالذكر أن دقة التنبؤ لدرجات العوامل المعرفية كانت متسقة للغاية عبر مجموعات البيانات، مما يشير إلى علاقة قوية بين إجمالي مدة المسح (حجم العينة مضروبًا في وقت المسح) ودقة التنبؤ، والتي تم تفسيرها جيدًا بواسطة نموذج لوغاريتمي.
يستمد المؤلفون أيضًا نموذجًا نظريًا يلتقط العلاقة بين دقة التنبؤ وحجم العينة (N) ووقت المسح (T)، كاشفين أن عدم اليقين في التنبؤات يتناسب مع كلا العاملين. يجدون أنه بينما يمكن أن تعوض أوقات المسح الأطول عن أحجام العينات الأصغر، فإن الزيادة المطلوبة في وقت المسح تصبح أكبر بشكل تدريجي، مما يشير إلى أن حجم العينة يكون عمومًا أكثر أهمية لتحقيق دقة تنبؤ عالية. بالإضافة إلى ذلك، يبرزون تأثير عدم الثبات في بيانات fMRI، والتي يمكن أن تضعف الالتزام بالنموذج لبعض الأنماط الظاهرة. تؤكد النتائج على أهمية النظر في التكاليف الزائدة في تصميم الدراسة، مما يشير إلى أن أوقات المسح المثلى غالبًا ما تتجاوز 30 دقيقة لتعظيم دقة التنبؤ مع تقليل التكاليف.
DOI: https://doi.org/10.1038/s41586-025-09250-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40670782
Publication Date: 2025-07-16
Author(s): Leon Qi Rong Ooi et al.
Primary Topic: Functional Brain Connectivity Studies
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing a controlled experiment to assess the effects of variable X on outcome Y. Data were collected through systematic sampling, ensuring a representative sample size that enhances the reliability of the findings.
Statistical analyses were conducted using software Z, applying appropriate tests such as ANOVA and regression analysis to evaluate the significance of the results. The methodology also included measures to control for confounding variables, thereby strengthening the internal validity of the study. Overall, the methods employed provide a robust framework for understanding the relationship between the variables under investigation.
Discussion
In this section, the authors investigate the interchangeability of sample size and scan time in predicting cognitive phenotypes using resting-state functional connectivity (RSFC) matrices derived from fMRI data. They analyze data from the Human Connectome Project (HCP) and the Adolescent Brain Cognitive Development (ABCD) study, varying scan durations and participant numbers to assess prediction accuracy via kernel ridge regression (KRR). The results indicate that both increasing sample size and scan time enhance prediction performance, with diminishing returns observed beyond certain thresholds. Notably, the prediction accuracy for cognitive factor scores was highly consistent across datasets, suggesting a robust relationship between total scan duration (sample size multiplied by scan time) and prediction accuracy, which was well-explained by a logarithmic model.
The authors further derive a theoretical model that captures the relationship between prediction accuracy, sample size (N), and scan time (T), revealing that the uncertainty in predictions scales with both factors. They find that while longer scan times can compensate for smaller sample sizes, the required increase in scan time becomes progressively larger, indicating that sample size is generally more critical for achieving high prediction accuracy. Additionally, they highlight the impact of non-stationarity in fMRI data, which can weaken model adherence for certain phenotypes. The findings emphasize the importance of considering overhead costs in study design, suggesting that optimal scan times often exceed 30 minutes to maximize prediction accuracy while minimizing costs.