DOI: https://doi.org/10.1186/s40708-023-00217-4
PMID: https://pubmed.ncbi.nlm.nih.gov/38194126
تاريخ النشر: 2024-01-09
المؤلف: Sara Saponaro وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
في هذه الدراسة، يستكشف المؤلفون دمج بيانات التصوير بالرنين المغناطيسي الهيكلي والوظيفي لتعزيز أداء نماذج التعلم العميق (DL) في تمييز الأفراد المصابين باضطرابات طيف التوحد (ASD) عن الضوابط النامية بشكل طبيعي (TD). باستخدام مجموعة بيانات من مجموعات ABIDE I و II، شملت التحليل 1383 موضوعًا ذكريًا تتراوح أعمارهم بين 5 إلى 40 عامًا، تضم 680 مصابًا بـ ASD و 703 TD. استخدم الباحثون حزم تحليل Freesurfer و CPAC لاستخراج ميزات الدماغ ذات الصلة وطبقوا بروتوكول توحيد البيانات لمعالجة الطبيعة متعددة المواقع لمجموعة البيانات. تم تطوير نموذج DL متعدد المدخلات، يتميز بشبكة عصبية لتمثيل الميزات ذات الطول الثابت (FR-NN) وشبكة عصبية للتصنيف (C-NN)، والتي استخدمت نهج دمج مشترك لدمج البيانات من كلا الطريقتين.
أشارت النتائج إلى أن قيم AUC لتمييز ASD مقابل TD كانت 0.66±0.05 للميزات الهيكلية فقط و 0.76±0.04 للميزات الوظيفية. ومن الجدير بالذكر أن نهج الدمج المشترك أسفر عن AUC محسّن قدره 0.78±0.04، مما يبرز أهمية مناطق الدماغ المرتبطة بشبكة الوضع الافتراضي والدماغ الاجتماعي في ASD. تؤكد النتائج أن نهج الدمج المشترك متعدد الوسائط يعزز بشكل كبير أداء التصنيف مقارنةً بنماذج الوسائط الفردية، مما يشير إلى إمكانيته في تحديد العلامات الحيوية للتصوير العصبي للاضطرابات النمائية العصبية.
مقدمة
تناقش مقدمة ورقة البحث اضطرابات طيف التوحد (ASD)، مع تسليط الضوء على طبيعتها النمائية العصبية التي تتميز بنقص في التفاعل الاجتماعي، والتواصل، والسلوكيات المتكررة. يُلاحظ أن انتشار ASD يبلغ حوالي 1 من كل 36 طفلًا في الولايات المتحدة، مع الاعتماد على الملاحظات السلوكية الذاتية والمقابلات من قبل المتخصصين للتشخيص. لتعزيز دقة التشخيص، يتم استكشاف تقنيات التصوير العصبي، وخاصة التعلم الآلي (ML) والتعلم العميق (DL)، على الرغم من أنها لم تحقق بعد تطبيقًا سريريًا. تعتبر مجموعة بيانات تبادل بيانات تصوير الدماغ للتوحد (ABIDE)، التي تضم أكثر من ألف حالة، موردًا حيويًا لهذه الدراسة، ومع ذلك تكشف التحليلات عن أداء تصنيفي متغير بسبب تأثيرات الدفعة الناتجة عن بيانات التصوير بالرنين المغناطيسي متعددة المراكز.
تؤكد الورقة على أهمية معالجة هذه التأثيرات من خلال استراتيجيات مختلفة، بما في ذلك استخدام خوارزميات التوحيد مثل ComBat وأداة NeuroHarmonize التي تم تطويرها مؤخرًا. يذكر المؤلفون أن تنفيذ NeuroHarmonize يحسن بشكل كبير أداء التمييز لمصنفات ML في تمييز ASD عن الأفراد الناميين بشكل طبيعي (TD). علاوة على ذلك، تقدم الدراسة نموذج DL متعدد الوسائط يدمج بيانات التصوير بالرنين المغناطيسي الهيكلي والوظيفي لتعزيز القدرات التشخيصية. لتوضيح عملية اتخاذ القرار لهذه النماذج المعقدة، يستخدم المؤلفون SHapley Additive exPlanations (SHAP) لتحديد الميزات الرئيسية التي تساهم في تصنيف ASD، مما يهدف إلى تحسين قابلية تطبيق النموذج سريريًا.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لجمع البيانات وتحليلها. يؤكد القسم على أهمية القابلية للتكرار والدقة في المنهجية، مما يضمن إمكانية تكرار التجارب من قبل باحثين آخرين.
بالإضافة إلى ذلك، قد تشمل الطرق التحليلات الإحصائية التي تم إجراؤها لتفسير البيانات، مثل تطبيق اختبارات أو نماذج محددة لتقييم أهمية النتائج. تعتبر وضوح ودقة الطرق أمرًا حيويًا للتحقق من النتائج ودعم الاستنتاجات المستخلصة في الدراسة.
مناقشة
في هذه الدراسة، قمنا بتطوير نموذج تعلم عميق متعدد الوسائط (DL) يستخدم بيانات التصوير بالرنين المغناطيسي الهيكلي (sMRI) وبيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI) لتمييز الأفراد المصابين باضطراب طيف التوحد (ASD) عن الضوابط النامية بشكل طبيعي (TD). شمل تحليلنا عينة نهائية من 1383 موضوعًا (680 ASD و 703 TD) تتراوح أعمارهم بين 5 إلى 40 عامًا، مع التركيز فقط على المشاركين الذكور لأخذ الفروق الجنسية في الاتصال الدماغي في الاعتبار. استخدم النموذج نهج دمج مشترك، والذي يدمج ويتعلم التمثيلات من كلا الطريقتين أثناء التدريب، مما يؤدي إلى تحسين أداء التصنيف مقارنةً بنماذج الوسائط الفردية. على وجه التحديد، حقق نموذجنا دقة قدرها 0.85 ± 0.12، متفوقًا بشكل كبير على النماذج المعتمدة على الميزات الوظيفية فقط (p < 0.001). كشفت تحليل الميزات المهمة أن الاتصال الوظيفي، وخاصة داخل شبكة الوضع الافتراضي (DMN)، لعب دورًا حاسمًا في تمييز ASD عن موضوعات TD. لاحظنا انخفاض الاتصال بين نصفي الكرة الأرضية وزيادة الاتصال داخل نصف الكرة الأرضية في الأفراد المصابين بـ ASD، وهو ما يتماشى مع الأدبيات السابقة. ومن الجدير بالذكر أن التغيرات في مناطق الدماغ المرتبطة بالمعرفة الاجتماعية، مثل التلافيف الجبهية السفلية والتلافيف الزمنية العليا، تم تحديدها كعوامل تمييزية هامة. بينما تؤكد نتائجنا على إمكانيات نهج DL متعدد الوسائط في تحديد العلامات الحيوية للتصوير العصبي لـ ASD، فإنها تسلط الضوء أيضًا على الحاجة إلى معالجة التباين الفطري داخل سكان ASD لاستراتيجيات علاجية أكثر تخصيصًا.
DOI: https://doi.org/10.1186/s40708-023-00217-4
PMID: https://pubmed.ncbi.nlm.nih.gov/38194126
Publication Date: 2024-01-09
Author(s): Sara Saponaro et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
In this study, the authors explore the integration of structural and functional MRI data to enhance the performance of deep learning (DL) models in distinguishing individuals with Autism Spectrum Disorders (ASD) from typically developing controls (TD). Utilizing a dataset from the ABIDE I and II collections, the analysis involved 1383 male subjects aged 5 to 40, comprising 680 with ASD and 703 TD. The researchers employed Freesurfer and CPAC analysis packages to extract relevant brain features and implemented a data harmonization protocol to address the multisite nature of the dataset. A multiple-input DL model was developed, featuring a fixed-length feature representation neural network (FR-NN) and a classification neural network (C-NN), which utilized a joint fusion approach to integrate data from both modalities.
The results indicated that the AUC values for ASD vs. TD discrimination were 0.66±0.05 for structural features alone and 0.76±0.04 for functional features. Notably, the joint fusion approach yielded an improved AUC of 0.78±0.04, highlighting the importance of brain regions associated with the Default Mode Network and the Social Brain in ASD. The findings underscore that the multimodal joint fusion approach significantly enhances classification performance compared to single-modality models, suggesting its potential in identifying neuroimaging biomarkers for neurodevelopmental disorders.
Introduction
The introduction of the research paper discusses Autism Spectrum Disorders (ASD), highlighting their neurodevelopmental nature characterized by deficits in social interaction, communication, and repetitive behaviors. The prevalence of ASD is noted to be approximately 1 in 36 children in the U.S., with diagnosis relying on subjective behavioral observations and interviews by specialists. To enhance diagnostic accuracy, neuroimaging techniques, particularly machine learning (ML) and deep learning (DL), are being explored, although they have not yet achieved clinical application. The Autism Brain Imaging Data Exchange (ABIDE) dataset, comprising over a thousand cases, serves as a critical resource for this research, yet analyses reveal variable classification performances due to batch effects arising from multi-center MRI data.
The paper emphasizes the importance of addressing these batch effects through various strategies, including the use of harmonization algorithms like ComBat and the recently developed NeuroHarmonize tool. The authors report that implementing NeuroHarmonize significantly improves the discrimination performance of ML classifiers in distinguishing ASD from typically developing (TD) subjects. Furthermore, the study introduces a multi-modal joint fusion DL model that integrates structural and functional MRI data to enhance diagnostic capabilities. To clarify the decision-making process of these complex DL models, the authors employ SHapley Additive exPlanations (SHAP) to identify key features contributing to ASD classification, thereby aiming to improve the model’s clinical applicability.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed for data collection and analysis. The section emphasizes the importance of reproducibility and precision in the methodology, ensuring that the experiments can be replicated by other researchers.
Additionally, the methods may include statistical analyses performed to interpret the data, such as the application of specific tests or models to evaluate the significance of the findings. The clarity and rigor of the methods are crucial for validating the results and supporting the conclusions drawn in the study.
Discussion
In this study, we developed a multi-modal deep learning (DL) model utilizing both structural MRI (sMRI) and resting-state fMRI (rs-fMRI) data to distinguish between individuals with Autism Spectrum Disorder (ASD) and typically developing (TD) controls. Our analysis included a final sample of 1383 subjects (680 ASD and 703 TD) aged 5 to 40 years, focusing solely on male participants to account for sex differences in brain connectivity. The model employed a joint fusion approach, which integrates and co-learns representations from both modalities during training, leading to improved classification performance compared to single modality models. Specifically, our model achieved an accuracy of 0.85 ± 0.12, significantly outperforming models based on functional features alone (p < 0.001). The analysis of important features revealed that functional connectivity, particularly within the Default Mode Network (DMN), played a crucial role in differentiating ASD from TD subjects. We observed long-range inter-hemispheric hypo-connectivity and intra-hemispheric hyper-connectivity in individuals with ASD, consistent with previous literature. Notably, alterations in brain regions associated with social cognition, such as the inferior frontal gyrus and superior temporal gyrus, were identified as significant discriminators. While our findings underscore the potential of multi-modal DL approaches in identifying neuroimaging biomarkers for ASD, they also highlight the need to address the inherent heterogeneity within the ASD population for more tailored treatment strategies.