Naukowcy opracowali nową metodę do oceny i kalibracji niepewności w bayesowskich modelach lokalizujących źródła aktywności mózgowej z danych magnetoencefalografii i elektroencefalografii (M/EEG). Problem polega na tym, że tradycyjne metody rzadko weryfikują, czy szacowane przedziały ufności rzeczywiście odzwierciedlają faktyczną dokładność - zjawisko zwane kalibracją.
Team badaczy porównał dwie główne podejścia. Pierwsze - Bayesian Minimum Norm (BMN) z wagowaniem głębokości sLORETA - to bardziej tradycyjna metoda. Drugie - Sparse Bayesian Learning z sparse basis field expansions (S-FLEX) - to nowsze podejście umożliwiające lepsze reprezentowanie rzadkiej aktywności mózgu. W symulacjach testowali obie metody przy różnych warunkach: różnych poziomach stosunku sygnału do szumu, różnych wzorcach rzadkości źródeł i z użyciem indywidualnych modeli głowy. Okazało się, że SBL+S-FLEX osiąga niższe błędy lokalizacji i mniejszą niepewność posteriori.
Kluczowy wkład dotyczy post-hoc kalibracji - zastosowania izotonicznej recalibracji do skorygowania przedziałów wiarygodności. Zarówno BMN jak i SBL wykazywały pozostałą niedokalibrację przed tym krokiem, ale kalibracja znacznie poprawiła oba podejścia. Dla konserwatywnej metody BMN+sLORETA uzyskano szczególnie duże korzyści. Badanie ma praktyczne znaczenie dla klinicznych zastosowań M/EEG, gdzie wiarygodne szacunki niepewności są krytyką dla precyzyjnej diagnostyki neurologicznej.