Le classement de la connectivité fonctionnelle de l'autisme identifie des caractéristiques cérébrales hautement prédictives, mais en deçà des normes de biomarqueurs

Traduction: G.M.

Neuroimage Clin. 2014 Dec 24;7:359-366.

Functional connectivity classification of autism identifies highly predictive brain features but falls short of biomarker standards

Plitt M¹, Barnes KA¹, Martin A¹.

Author information

• ¹Section on Cognitive Neuropsychology, Laboratory of Brain and Cognition, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, USA.

Abstract

OBJECTIVES:

Autism spectrum disorders (ASD) are diagnosed based on early-manifesting clinical symptoms, including markedly impaired social communication. We assessed the viability of resting-state functional MRI (rs-fMRI) connectivity measures as diagnostic biomarkers for ASD and investigated which connectivity features are predictive of a diagnosis.
Les troubles du spectre autistique (TSA) sont diagnostiqués sur la base de symptômes cliniques se manisfestant précocement, comprenant la communication sociale nettement affaiblie. Nous avons évalué la viabilité des mesures de connectivité de l'IRM fonctionnelle au repos (IRMf-rs) en tant que  biomarqueurs de diagnostic pour le TSA et étudié quelles caractéristiques de la connectivité sont prédictives d'un diagnostic.

METHODS:

Rs-fMRI scans from 59 high functioning males with ASD and 59 age- and IQ-matched typically developing (TD) males were used to build a series of machine learning classifiers. Classification features were obtained using 3 sets of brain regions. Another set of classifiers was built from participants' scores on behavioral metrics. An additional age and IQ-matched cohort of 178 individuals (89 ASD; 89 TD) from the Autism Brain Imaging Data Exchange (ABIDE) open-access dataset (http://fcon_1000.projects.nitrc.org/indi/abide/) were included for replication.

RESULTS:

High classification accuracy was achieved through several rs-fMRI methods (peak accuracy 76.67%). However, classification via behavioral measures consistently surpassed rs-fMRI classifiers (peak accuracy 95.19%). The class probability estimates, P(ASD|fMRI data), from brain-based classifiers significantly correlated with scores on a measure of social functioning, the Social Responsiveness Scale (SRS), as did the most informative features from 2 of the 3 sets of brain-based features. The most informative connections predominantly originated from regions strongly associated with social functioning.
La haute précision de la classification a été atteinte grâce à plusieurs méthodes d'IRMf de repos (pic de précision de 76,67%). Cependant, la classification par des mesures comportementales a constamment dépassé les classificateurs d'IRMf (précision pic de 95,19%). Les estimations de la probabilité de classe, P (TSA | données IRMf), des classificateurs basées sur le cerveau sont significativement corrélées avec des scores sur une mesure du fonctionnement social, l'échelle de réactivité sociale (SRS), de même que les caractéristiques les plus instructives de deux des trois ensembles de fonctionnalités basées sur le cerveau. Les connexions les plus informatives provenaient principalement de régions fortement associées au fonctionnement social.

CONCLUSIONS:

While individuals can be classified as having ASD with statistically significant accuracy from their rs-fMRI scans alone, this method falls short of biomarker standards. Classification methods provided further evidence that ASD functional connectivity is characterized by dysfunction of large-scale functional networks, particularly those involved in social information processing. 
Bien que les personnes peuvent être classées comme ayant un TSA avec une précision statistiquement significative à partir des seuls scans de leurs IRMf-rs, cette méthode ne répond pas aux normes de biomarqueurs. Les méthodes de classement fournissent des preuves supplémentaires que la connectivité fonctionnelle dans le TSA se caractérise par un dysfonctionnement des réseaux fonctionnels à grande échelle, en particulier ceux qui sont impliqués dans le traitement de l'information sociale.

PMID: 25685703