与感知和注意力相关的大脑网络之间的明显连接模式是阅读障碍症的特征:机器学习应用于静止状态的fMRI

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
• 机器学习在医学中的应用

背景情况:

• 目前的阅读障碍诊断往往是延迟的,导致了重大的学术和心理困难.
• 传统的诊断方法耗时,昂贵,并且依赖主观标准.
• 自动诊断工具,特别是机器学习,为有效和客观的评估提供了潜在的解决方案.

研究的目的:

• 开发一种机器学习工具,用于识别儿童的阅读障碍.
• 为了研究内在大脑网络连接模式在检测阅读障碍的实用性.
• 为了区分阅读障碍儿童和典型读者之间的神经集成模式.

主要方法:

• 利用了117名儿童 (8-12岁) 的休息状态功能磁共振成像 (fMRI) 数据.
• 提取了264个大脑区域之间的功能连接系数作为机器学习特征.
• 雇佣监督学习算法来根据网络特征对患有阅读障碍和没有阅读障碍的儿童进行分类.

主要成果:

• 使用背部注意网络特征的分类器获得了最高的精度 (.79),灵敏度 (.92),和特异性 (.64).
• 基于听觉,视觉和前额对等网络的分类器显示中等准确度 (70-75%).
• 在典型的读者和患有阅读障碍的儿童之间,视觉注意力网络中显示出显著的神经生物学差异.

结论:

• 在特定的大脑网络中,不同的神经集成模式可以将阅读障碍与典型发育区分开来.
• 开发的机器学习方法显示了作为未来的难读症检测和严重程度评估生物标志物的潜力.
• 这种方法可以导致更早,更客观的诊断,减轻相关的挑战.