对比的机器学习揭示了自闭症中神经解剖学变化的结构
Aidas Aglinskas1, Joshua K Hartshorne1, Stefano Anzellotti1
1Department of Psychology and Neuroscience, Boston College, Boston, MA 02467, USA.
Science (New York, N.Y.)
|June 2, 2022
概括
研究人员使用深度学习来识别自闭症谱系障碍 (ASD) 特定的大脑差异,揭示了连续的神经解剖维度而不是不同的亚型. 这一发现有助于理解个性化干预的自闭症异质性.
科学领域:
- 神经科学
- 医学的人工智能
- 发展心理学
背景情况:
- 自闭症谱系障碍 (ASD) 呈现出显著的异质性,使诊断和治疗复杂化.
- 了解神经解剖学变异对于自闭症个性化干预至关重要.
- 从一般的个体变化和测量误差区分自闭症特异性是一个关键的挑战.
研究的目的:
- 将自闭症谱系障碍 (ASD) 特定的神经解剖学变异与共享变异分开.
- 研究特异性神经解剖学差异与症状严重程度之间的关系.
- 探索ASD中神经解剖学变化的基础组织结构.
主要方法:
- 使用对比的深度学习技术来分析神经成像数据.
- 与典型对照参与者发现的与ASD相关的神经解剖学模式.
- 与个体症状数据相关的特定自闭症变异.
主要成果:
- 成功隔离了自闭症谱系障碍 (ASD) 的神经解剖学变异.
- 发现自闭症特异性神经解剖学变异与症状呈现的个体差异相关.
- 在ASD中神经解剖学上的差异是沿着连续的维度组织的, 而不是不同的亚型.
结论:
- 深度学习可以有效地识别自闭症谱系障碍 (ASD) 特定的神经解剖学特征.
- 自闭症的神经解剖学变异是维度的, 挑战离散亚型的概念.
- 这些发现支持自闭症神经发育变异的连续模型,为有针对性的干预提供了信息.
