Migliorare la rilevazione del disturbo dello spettro autistico combinando le informazioni RM strutturali e funzionali

    Publication Date
    Source Authors
    Source Title
    Source Issue
    Publication Date

    2020

    Source Authors

    Mladen Rakić, Mariano Cabezas, Kaisar Kushibar, Arnau Oliver, Xavier Lladó

    Source Title

    Migliorare la rilevazione del disturbo dello spettro autistico combinando le informazioni RM strutturali e funzionali

    Source Issue

    Journal of Advanced Health Care

    Page Range: Pag 1-9

    L’articolo pone l’attenzione su un argomento di grande rilevanza come l’autismo (ASD) che è un disturbo dello spettro autistico tipicamente caratterizzato da deficit nella comunicazione sociale e l’interazione, nonché comportamenti e interessi restrittivi e ripetitivi. Negli ultimi anni c’è stato un aumento nell’uso della risonanza magnetica (RM) per aiutare nel differenziamento tra persone con il deficit dello spettro autistico e non. In questo lavoro proponiamo un metodo per la classificazione dei pazienti con ASD rispetto ai soggetti sani utilizzando informazioni rm sia funzionali che strutturali.

    Vari modelli di connettività funzionale tra le varie aree del cervello, insieme a corrispondenze volumetriche di volumi di materia grigia tra le particelle corticali sono usati come caratteristiche per le condutture di elaborazione funzionali e strutturali, rispettivamente. La rete di classificazione è una combinazione di codificatori automatici addestrati in modo non supervisionato, modalità e multistrato.

    L’articolo mostra come viene eseguita l’analisi quantitativa su 817 casi dal dataset internazionale Autism Brain Imaging Data Exchange I (ABIDE I), composto da 368 pazienti con ASD e 449 soggetti sani e ottenendo un’accuratezza della classificazione di 85,06 ± 3,52% quando si utilizza un insieme di classificatori che vengono adoperati per il confronto. Le unioni di informazioni funzionali e strutturali supera in modo significativo le singole informazioni. Queste evidenze dovranno, tuttavia, essere replicate su campioni molto più ampi ma rappresentano già un passo importante verso la precoce individuazione di soggetti con autismo prima che sviluppino i caratteristici sintomi comportamentali. In futuro, gli esami di neuro-imaging potranno essere uno strumento utile a supportare la diagnosi di autismo e di conseguenza, aiutare il medico a valutare il rischio di sviluppare l’autismo in bambini in età precoce.

    References

    1. Abraham, A., Milham, M.P., Di Martino, A., Craddock, R.C., Samaras, D., Thirion, B.,Varoquaux, G., 2017. Deriving reproducible biomarkers from multi-site resting-state data: an autism-based example. NeuroImage 147, 736–745.
    2. Anderson, J.S., Nielsen, J.A., Froehlich, A.L., DuBray, M.B., Druzgal, T.J., Cariello, A.N.,Cooperrider, J.R., Zielinski, B.A., Ravichandran, C., Fletcher, P.T., et al., 2011 Functional connectivity magnetic resonance imaging classification of autism. Brain
    3. 134, 3742–3754.APA, 2013. Diagnostic and Statistical Manual of Mental Disorders (DSM-5®). American Psychiatric Pub.
    4. Arbabshirani, M.R., Plis, S., Sui, J., Calhoun, V.D., 2017. Single subject prediction of brain disorders in neuroimaging: promises and pitfalls. NeuroImage 145, 137–165.
    5. Aylward, E.H., Minshew, N.J., Field, K., Sparks, B., Singh, N., 2002. Effects of age on brain volume and head circumference in autism. Neurology 59, 175–183.
    6. Bernas, A., Aldenkamp, A.P., Zinger, S., 2018. Wavelet coherence-based classifier: a resting-state functional MRI study on neurodynamics in adolescents with high-functioning autism. Comput. Methods Programs Biomed. 154, 143–151.
    7. Buescher, A.V., Cidav, Z., Knapp, M., Mandell, D.S., 2014. Costs of autism spectrum
    8. disorders in the united kingdom and the united states. J. Am. Med. Assoc. Pediatr.168, 721–728.
    9. Plis, S.M., Hjelm, D.R., Salakhutdinov, R., Allen, E.A., Bockholt, H.J., Long, J.D., Johnson, H.J., Paulsen, J.S., Turner, J.A., Calhoun, V.D., 2014. Deep learning for neuroimaging: a validation study. Front. Neurosci. 8, 229.
    10. Plitt, M., Barnes, K.A., Martin, A., 2015. Functional connectivity classification of autism identifies highly predictive brain features but falls short of biomarker standards. NeuroImage: Clinical 7, 359–366.
    11. Riddle, K., Cascio, C.J., Woodward, N.D., 2017. Brain structure in autism: a voxel-based morphometry analysis of the autism brain imaging database exchange (abide). Brain Imaging Behav. 11, 541–551.
    12. Sadeghi, M., Khosrowabadi, R., Bakouie, F., Mahdavi, H., Eslahchi, C., Pouretemad, H., 2017. Screening of autism based on task-free fmri using graph theoretical approach. Psych. Res. Neuroimaging 263, 48–56.