鉴定自闭症诊断标志物:基于EEG结合眼睛跟踪的限制性兴趣分析

科学领域:

• 神经科学是一个神经科学.
• 发展心理学 发展心理学
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于行为观察,缺乏用于早期检测的客观生物标志物.
• 脑电图 (EEG) 功能连接 (EFC) 和眼睛跟踪 (ET) 被探索为ASD查的客观措施.
• 同时评估EFC,ET和限制和重复行为 (RRB) 之前没有研究过早期ASD诊断.

研究的目的:

• 调查EFC和ET在识别ASD早期迹象方面的联合实用性.
• 探索患有和没有自闭症儿童的EFC,ET和RRB之间的相关性.
• 评估基于网络的机器学习 (NBS-predict) 使用EFC和ET用于ASD诊断的预测性能.

主要方法:

• 从典型发育 (TD) 儿童 (n=27) 和自闭症儿童 (n=32) 使用受限兴趣刺激范式收集的同时EFC和ET数据.
• 基于网络的机器学习预测 (NBS-predict) 用于识别ASD.
• 分析了EFC,ET,自闭症诊断观察表第二版 (ADOS-2) 分数和RRB子分数之间的相关性.
• 用于确定预测性能的接收器运行特征 (ROC) 曲线分析.

主要成果:

• 与TD儿童相比,自闭症儿童在高度限制性兴趣刺激时表现出明显更高的α频段EFC和更长的总固定时间 (TFT) /瞳孔扩大.
• EFC和TFT相互显著正相关,并且与ADOS-2总和RRB子分数相关.
• 在识别ASD时,NBS-predict实现了63.4%的准确性.
• 在预测ADOS-2总和RRB子分数方面,TFT表现出高灵敏度 (90-91%) 和特异性 (77-78.7%).

结论:

• 同时的EFC和ET评估显示,与ASD中的RRB症状有很强的相关性,用ADOS-2测量.
• 基于EFC的NBS-predict提供了对ASD的直接预测.
• 整合EFC和ET提高了早期ASD诊断的潜力.