高精度マシン・ラーニングは,個人のサブセットにおける自閉症スペクトル診断の再現可能な機能的接続性シグネチャを特定します

科学分野:

• 神経科学
• バイオマーカー
• 機械学習

背景:

• 自閉症スペクトル障害 (ASD) の診断には,予測可能なバイオマーカーが必要です.
• ASDにおけるグループレベルの脳接続性発見は,異質性のために個人レベルの翻訳が欠けている.
• 現在の方法では 個々のASDの予測に 信頼できるバイオマーカーを特定するのに苦労しています

研究 の 目的:

• ASDの個別レベルの予測バイオマーカーを特定する
• 異質なASD集団における伝統的な機械学習モデルの限界を克服する.
• 神経画像データを用いてASD分類の精度を向上させる.

主な方法:

• 自閉症脳画像データ交換 1と2のデータセットを分析した
• ピアソンの相関を用いて 18の脳ネットワークの 機能的接続性を計算した
• 変換型コンフォーム予測と階層的集積型クラスタリングを用いて分類した.

主要な成果:

• 高リスクのASDのサインを特定した 7倍以上の個人リスク.
• この特徴は一般人では200人に1人に見られます
• このシグネチャーは,フロント・パリエタル,ベース・ギャングリア,リンビック,およびデフォルトモードのネットワークの不足によって特徴付けられます.

結論:

• 標的型モデルでは 機能的な接続性に基づいて 高リスクの自閉症を特定できます
• このアプローチは,ASDの異質性によって隠された高度に浸透した接続性シグネチャーを明らかにします.
• 発見はASDの病因的経路と症状を明らかにするのに役立ちます.