25 octobre 2013

Identification of neural connectivity signatures of autism using machine learning

Traduction partielle: G.M.

Front Hum Neurosci. 2013 Oct 17;7:670. doi: 10.3389/fnhum.2013.00670.

Identification des signatures de connectivité neuronale de l'autisme grâce à l'apprentissage par la machine

Source

AU MRI Research Center, Department of Electrical and Computer Engineering, Auburn University Auburn, AL, USA ; Department of Psychology, Auburn University Auburn, AL, USA.

Abstract

Des altérations de la connectivité neuronale interrégionale ont été suggérées comme une signature de la pathobiologie de l'autisme.  
Il y a eu de nombreux rapports de la connectivité fonctionnelle et anatomique modifiée alors que les personnes avec autisme sont engagées dans des tâches cognitives et sociales complexes . 
Bien que la corrélation instantanée perturbée entre régions corticales observées à partir de l'IRM fonctionnelle est considérée comme un modèle explicatif de l'autisme , l'influence causale d'une région du cerveau à l'autre ( connectivité efficace ) est un lien vital qui manque dans ces études. 
La présente étude vise à répondre à cela dans une étude IRMf de la théorie de l' esprit ( ToM ) chez 15 adolescents et adultes avec autisme à haut fonctionnement cognitif et 15 participants contrôle qui se développent sans autisme.  
Les participants ont visionné une série de vignettes de bandes dessinées dans le scanner IRM et ont été invitées à choisir la fin la plus logique à l'histoire selon trois alternatives , séparément pour les essais portant sur la causalité physique et intentionnelle . 

The mean time series, extracted from 18 activated regions of interest, were processed using a multivariate autoregressive model (MVAR) to obtain the causality matrices for each of the 30 participants. These causal connectivity weights, along with assessment scores, functional connectivity values, and fractional anisotropy obtained from DTI data for each participant, were submitted to a recursive cluster elimination based support vector machine classifier to determine the accuracy with which the classifier can predict a novel participant's group membership (autism or control). 


Nous avons trouvé une précision de la classification maximale de 95,9% avec 19 caractéristiques qui avaient la plus forte capacité discriminative entre les groupes.  
Les 19 caractéristiques étaient les voies de connectivité efficace , ce qui indique que les informations de causalité peuvent être critiques dans la discrimination entre l'autisme et le groupe témoin .  
Ces voies de connectivité efficaces ont également été significativement plus importantes dans les contrôles par rapport aux participants TSA et se composait principalement de sorties de la zone du visage fusiforme et le gyrus temporal moyen indiquant la connectivité avec facultés affaiblies chez les participants atteints de TSA , en particulier dans les zones du cerveau sociaux. Ces résultats soulignent collectivement vers le fait que des modifications dans la connectivité de causalité dans le cerveau TSA pourraient servir de signature neuro-imagerie non -invasive potentielle de l'autisme.

These effective connectivity paths were also found to be significantly greater in controls as compared to ASD participants and consisted predominantly of outputs from the fusiform face area and middle temporal gyrus indicating impaired connectivity in ASD participants, particularly in the social brain areas. These findings collectively point toward the fact that alterations in causal connectivity in the brain in ASD could serve as a potential non-invasive neuroimaging signature for autism.

PMID: 24151458

Aucun commentaire: