Uso, mal uso y mejora del metaanálisis en línea basado en aprendizaje automático de datos publicados de neuroimagen:...

Área de la Ciencia:

• Neurociencia
• Informática médica
• Salud digital

Sus antecedentes:

• Están surgiendo herramientas en línea de metaanálisis basadas en texto para la investigación a gran escala de datos.
• NeuroQuery utiliza aprendizaje automático supervisado para la metsíntesis de neuroimagen.
• Analiza más de 13.000 publicaciones para generar escáneres predictivos de imagen por resonancia magnética funcional (RMf).

Objetivo del estudio:

• Revisar los riesgos y limitaciones potenciales de NeuroQuery.
• Ilustrar posibles malas interpretaciones por parte del usuario y resultados erróneos.
• Identificar mejoras y valor en los enfoques de metaanálisis de aprendizaje automático.

Principales métodos:

• Revisión de las funcionalidades y limitaciones de NeuroQuery.
• Simulación de resultados de metaanálisis poco fiables para el trastorno del espectro autista (TEA).
• Análisis de las consultas subyacentes tanto desde la perspectiva del usuario final como del usuario sofisticado.

Principales resultados:

• La falta de comprensión de la mecánica y las limitaciones de NeuroQuery puede conducir a conclusiones erróneas.
• Los riesgos potenciales incluyen limitaciones del algoritmo, sesgos de la base de datos y mala interpretación por parte del usuario.
• Se generó y analizó un ejemplo de resultados de metaanálisis poco fiables para el TEA.

Conclusiones:

• Comprender las limitaciones de NeuroQuery es más crítico que comprender sus funcionalidades para garantizar un uso válido y fiable.
• NeuroQuery actualmente no es adecuado para un análisis científico riguroso.
• Puede ser valioso para el desarrollo de hipótesis, la minería de datos preliminar de RMf, el análisis exploratorio y las encuestas de literatura.