Causal Discovery for fMRI data: Challenges, Solutions, and a Case Study
fMRI 数据的因果发现：挑战、方案与案例AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论因果发现方法在 fMRI 数据中的设计、应用与识别挑战，未提供其他所列细分方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
fMRI 数据的因果发现：挑战、方案与案例
- 研究问题
- 将因果发现用于 fMRI 数据时，研究者需要面对哪些数据与设计挑战，又如何在多种分析选择之间作出有依据的决策？
- 方法与思路
- 作者梳理九项挑战和相应决策空间，回顾一个近期案例如何作出分析选择，并讨论现有方法尚未解决、可由新方法弥补的缺口。
- 材料陈述的贡献
- 摘要所述贡献是系统整理 fMRI 因果发现中的挑战、研究决策与方法缺口，并借案例说明；对传统功能连接方法的优势仅为摘要陈述。
- 阅读关注点
- 应核对九项挑战的具体内容、案例分析的识别依据、不同研究选择对结论的影响，以及比较传统功能连接方法时所用证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出挑战与比较细节，也不能仅凭成功应用确认因果方向或普遍优越性。
原文摘要
Designing studies that apply causal discovery requires navigating many researcher degrees of freedom. This complexity is exacerbated when the study involves fMRI data. In this paper we (i) describe nine challenges that occur when applying causal discovery to fMRI data, (ii) discuss the space of decisions that need to be made, (iii) review how a recent case study made those decisions, (iv) and identify existing gaps that could potentially be solved by the development of new methods. Overall, causal discovery is a promising approach for analyzing fMRI data, and multiple successful applications have indicated that it is superior to traditional fMRI functional connectivity methods, but current causal discovery methods for fMRI leave room for improvement.