在年轻人中区分ADHD和自闭症的功能连接模式:机器学习解决方案

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
• 计算精神病学是一种计算精神病学.

背景情况:

• 注意缺陷/多动障碍 (ADHD) 和自闭症是常见的神经发育状况,症状重叠,潜在的共同起源.
• 区分ADHD和自闭症,特别是在年轻人中,由于它们的复杂性和共同的病因因素而具有挑战性.

研究的目的:

• 根据休息状态期间的内在大脑连接模式,在年轻人中区分ADHD和自闭症.
• 用功能磁共振成像 (fMRI) 数据评估机器学习在区分ADHD和自闭症方面的有效性.
• 识别特定的脑网络,这些网络在ADHD和自闭症中具有差异性作用.

主要方法:

• 来自自闭症脑成像数据交换 (ABIDE) 和ADHD-200联盟的静止状态fMRI数据的分析.
• 选择330名参与者 (每人有110名ADHD,自闭症和健康对照),不包括并发症.
• 将线性差异分析应用于区域之间的连接值,以识别歧视性模式.

主要成果:

• 机器学习模型在基于大脑连接的基础上,在区分ADHD和自闭症方面实现了85%的准确性.
• 与自闭症和对照人群相比,前端对照人群网络的连接性改变是ADHD的一个关键差异化因素.
• 自闭症诊断与更异质的网络变化有关,包括语言,突出性和前对对联网络.

结论:

• 这项研究揭示了ADHD和自闭症的神经连接特征.
• 使用基于大脑的指标,ADHD和自闭症之间的高可区分性支持它们在差异诊断中的潜在作用.
• 这些发现增强了对区分这两种疾病的神经生物学基础的理解.