在基于扩散基谱成像的学前自闭症谱系障碍中,边缘/准边缘连接的削弱

科学领域:

• 神经成像是一种神经成像.
• 发育神经科学的发展神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况.
• 早期识别ASD对于及时干预至关重要.
• 了解ASD学龄前儿童的大脑网络变化是必不可少的.

研究的目的:

• 为了研究基底和边缘/准边缘网络变化的诊断价值在ASD学龄前儿童.
• 使用扩散基谱成像 (DBSI) 来分析大脑连接.
• 开发一种机器学习模型,用于准确识别ASD.

主要方法:

• 从31名患有自闭症儿童和30名典型发展的对照儿童收集的DBSI数据.
• 从连接,全球和节点指标中提取区分特征,使用两个样本的t测试.
• 应用多核学习支持矢量机器 (MKL-SVM) 来实现多模式信息集成.

主要成果:

• 与对照组相比,患有自闭症儿童的全球效率,局部效率,聚类系数和同步性都较低.
• 在ASD组中观察到更高的模块化得分,层次结构,正常化的聚类系数,正常化的特征路径长度,小世界性,特征路径长度和分类性.
• 在患有自闭症的儿童中,主要在边缘/准边缘网络中发现了显著的连接削弱.
• 结合连接,全局和节点指标的MKL-SVM模型在识别自闭症患者方面实现了96.72%的准确性.

结论:

• 基底和边缘/准边缘网络中的连接性变化是ASD学龄前儿童的重要指标.
• 边缘/副边缘网络的改变表明它们参与了ASD中异常的大脑发育过程.
• 使用MKL-SVM对网络指标的综合分析提供了一种有效的方法来区分学龄前儿童的自闭症.