基于Connectome的自闭症谱系障碍严重性的预测
Xuefeng Ma1,2,3,4, Weiran Zhou2,4, Hui Zheng5
1Department of Psychology, Yunnan Normal University, Kunming, Yunnan Province 650500, China.
Psychoradiology
|April 26, 2024
概括
基于Connectome的预测建模 (CPM) 通过静止状态fMRI成功预测了自闭症谱系障碍 (ASD) 的严重程度. 关键的神经网络,包括头和感觉运动网络,对于ASD预测至关重要,并可能提供新的干预目标.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 诊断依赖于行为标准.
- 机器学习,特别是基于连接组的预测建模 (CPM),显示出确定神经生物标记物的前景.
- 通过分析大脑连接,CPM有可能通过分析大脑连接来改善ASD诊断和理解.
研究的目的:
- 使用CPM预测ASD特征的严重程度.
- 探索跨ASD亚型的预测模型中的差异.
- 为了确定与ASD严重程度相关的神经网络差异.
主要方法:
- 利用了151名自闭症患者的休息状态功能磁共振成像 (fMRI) 数据.
- 应用CPM与交叉验证,以确定预测神经网络.
- 在独立的ASD样本和健康对照中验证了模型.
主要成果:
- CPM确定了预测自闭症诊断观察计划 (ADOS) 总和沟通得分的显著负面网络.
- 在独立样本中证实了预测准确性,证明了可复制性.
- 在头网络 (OCC) 和感觉运动网络 (SMN) 中增强的互联网和内部网络连接是关键发现.
结论:
- 基于功能连接的CPM可以预测ASD严重程度.
- 尾网络 (OCC) 和感觉运动网络 (SMN) 是预测模型的组成部分.
- 这些发现表明ASD诊断,干预和向治疗的潜在新方向.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.6K
