Théories cognitives de l'autisme basées sur les interactions entre les réseaux fonctionnels cérébraux

Aperçu: G.M.

Résumé 

Les fonctions cognitives sont directement liées aux interactions entre les réseaux fonctionnels du cerveau. Cette organisation fonctionnelle change dans le trouble du spectre de l'autisme (TSA). Cependant, la nature hétérogène de l'autisme apporte des incohérences dans les résultats, et le modèle spécifique de changements basé sur les théories cognitives des TSA doit encore être bien compris.
Dans cette étude, nous avons émis l'hypothèse que la théorie de l'esprit (ToM) et la théorie de la cohérence centrale faible doivent suivre un modèle d'altération au niveau du réseau des interactions fonctionnelles. L'objectif principal est de comprendre ce schéma en évaluant les interactions entre tous les réseaux fonctionnels cérébraux. De plus, l'association entre les interactions significativement modifiées et les dysfonctionnements cognitifs dans l'autisme est également étudiée.
 Nous avons utilisé les données d'IRMf à l'état de repos de 106 sujets (5-14 ans, 46 TSA : cinq femmes, 60 HC : 18 femmes) pour définir les réseaux fonctionnels cérébraux. Les réseaux fonctionnels ont été calculés en appliquant quatre masques de parcellisation et leurs interactions ont été estimées à l'aide de la corrélation de Pearson entre leurs paires.
Par la suite, pour chaque masque, un graphique a été formé en fonction du connectome des interactions. Ensuite, les paramètres locaux et globaux du graphe ont été calculés. Enfin, une analyse statistique a été réalisée à l'aide d'un test t à deux échantillons pour mettre en évidence les différences significatives entre les groupes témoins autistes et sains.
Nos résultats corrigés montrent des changements significatifs dans l'interaction du mode par défaut, des réseaux sensori-moteurs, visuo-spatiaux, visuels et langagiers avec d'autres réseaux fonctionnels qui peuvent soutenir les principales théories cognitives de l'autisme.
Nous espérons que cette découverte éclairera une meilleure compréhension des fondements neuronaux de l'autisme.

. 2022 Oct 6;16:828985.

doi: 10.3389/fnhum.2022.828985. eCollection 2022.

Cognitive theories of autism based on the interactions between brain functional networks

Sarah Barzegari Alamdari  ¹ , Masoumeh Sadeghi Damavandi  ¹ , Mojtaba Zarei  ^{2   3} , Reza Khosrowabadi  ¹

Affiliations

• PMID: 36310850
• PMCID: PMC9614840
• DOI: 10.3389/fnhum.2022.828985

Abstract

Cognitive functions are directly related to interactions between the brain's functional networks. This functional organization changes in the autism spectrum disorder (ASD). However, the heterogeneous nature of autism brings inconsistency in the findings, and specific pattern of changes based on the cognitive theories of ASD still requires to be well-understood. In this study, we hypothesized that the theory of mind (ToM), and the weak central coherence theory must follow an alteration pattern in the network level of functional interactions. The main aim is to understand this pattern by evaluating interactions between all the brain functional networks. Moreover, the association between the significantly altered interactions and cognitive dysfunctions in autism is also investigated. We used resting-state fMRI data of 106 subjects (5-14 years, 46 ASD: five female, 60 HC: 18 female) to define the brain functional networks. Functional networks were calculated by applying four parcellation masks and their interactions were estimated using Pearson's correlation between pairs of them. Subsequently, for each mask, a graph was formed based on the connectome of interactions. Then, the local and global parameters of the graph were calculated. Finally, statistical analysis was performed using a two-sample t-test to highlight the significant differences between autistic and healthy control groups. Our corrected results show significant changes in the interaction of default mode, sensorimotor, visuospatial, visual, and language networks with other functional networks that can support the main cognitive theories of autism. We hope this finding sheds light on a better understanding of the neural underpinning of autism.

Keywords: autism spectrum disorder; cognitive theories; graph theory; intrinsic connectivity networks; resting-state fMRI.

Un système de CAO personnalisé pour le diagnostic de l'autisme utilisant une fusion de données d'IRM fonctionnelle et d'IRM fonctionnelle à l'état de repos

Aperçu: G.M.

Le "trouble du spectre de l'autisme" est un trouble neuro-développemental qui affecte les capacités sociales des patients. Pourtant, l'étalon-or du diagnostic de l'autisme est le calendrier d'observation du diagnostic de l'autisme (ADOS). Dans cette étude, nous mettons en place un système de diagnostic assisté par ordinateur utilisant l'IRM structurelle (IRMf) et l'IRM fonctionnelle à l'état de repos (IRMf) pour démontrer que les anomalies anatomiques et les anomalies de connectivité fonctionnelle ont une capacité de prédiction de l'autisme élevée. 

Le système proposé étudie comment les métriques de connectivité anatomique et fonctionnelle permettent de diagnostiquer de manière globale si le sujet est autiste ou non et si elles sont corrélées aux scores ADOS. Le système fournit un rapport personnalisé par sujet pour montrer quelles zones sont les plus touchées par une déficience liée à l'autisme. 

Notre système a atteint une précision de 75% avec les données IRMf uniquement, de 79% avec les données IRM seulement et de 81% en fusionnant les deux. Un tel système constitue un pas en avant important vers la délimitation des circuits neuronaux responsables du diagnostic de l'autisme et peut donc offrir de meilleures options aux médecins pour la conception de plans de traitement personnalisés.

Cliquer ICI pour accéder à l'intégralité de l'article en anglais

Front Psychiatry. 2019 Jul 4;10:392. doi: 10.3389/fpsyt.2019.00392. eCollection 2019.

A Personalized Autism Diagnosis CAD System Using a Fusion of Structural MRI and Resting-State Functional MRI Data

Dekhil O¹, Ali M¹, El-Nakieb Y¹, Shalaby A¹, Soliman A¹, Switala A¹, Mahmoud A¹, Ghazal M^1,2, Hajjdiab H², Casanova MF³, Elmaghraby A⁴, Keynton R⁵, El-Baz A¹, Barnes G⁶.

Author information

1

Bioimaging Lab, Bioengineering Department, University of Louisville, Louisville, KY, United States.

2

Department of Electrical and Computer Engineering, Abu Dhabi University, Abu Dhabi, United Arab Emirates.

3

Department of Biomedical Sciences, University of South Carolina, Greenville, SC, United States.

4

Computer Engineering and Computer Science Department, University of Louisville, Louisville, KY, United States.

5

Bioengineering Department, University of Louisville, Louisville, KY, United States.

6

Department of Neurology, University of Louisville, Louisville, KY, United States.

Abstract

Autism spectrum disorder is a neuro-developmental disorder that affects the social abilities of the patients. Yet, the gold standard of autism diagnosis is the autism diagnostic observation schedule (ADOS). In this study, we are implementing a computer-aided diagnosis system that utilizes structural MRI (sMRI) and resting-state functional MRI (fMRI) to demonstrate that both anatomical abnormalities and functional connectivity abnormalities have high prediction ability of autism. The proposed system studies how the anatomical and functional connectivity metrics provide an overall diagnosis of whether the subject is autistic or not and are correlated with ADOS scores. The system provides a personalized report per subject to show what areas are more affected by autism-related impairment. Our system achieved accuracies of 75% when using fMRI data only, 79% when using sMRI data only, and 81% when fusing both together. Such a system achieves an important next step towards delineating the neurocircuits responsible for the autism diagnosis and hence may provide better options for physicians in devising personalized treatment plans.

PMID:31333507

PMCID:PMC6620533

DOI:10.3389/fpsyt.2019.00392

Classificateur basé sur la cohérence des ondelettes: étude IRM fonctionnelle à l'état de repos sur la neurodynamique chez les adolescents autistes "avec un haut niveau de fonctionnement cognitif"

Aperçu: G.M.

Le diagnostic de "trouble du spectre de l'autisme" (TSA) nécessite une procédure longue et complexe. En raison de l'absence d'un biomarqueur, la procédure est subjective et se limite à l'évaluation du comportement. Plusieurs tentatives d'utilisation de l'IRM fonctionnelle comme outil d'aide (en tant que classificateur) ont été rapportées, mais elles atteignent à peine une précision de 80% et n'ont généralement pas été répliquées ou validées avec des ensembles de données indépendants. Ces tentatives ont utilisé la connectivité fonctionnelle et les mesures structurelles. Il existe néanmoins des preuves que non la topologie des réseaux, mais leur dynamique temporelle est une caractéristique clé des TSA. L'équipe propose donc un nouveau biomarqueur du TSA fondé sur l'IRM en analysant la dynamique cérébrale temporale de l'IRMf au repos.Les chercheurs étudient les données de l'IRMf au repos à partir de deux ensembles de données d'adolescents indépendants: les données internes (12 TSA, 12 contrôles) et l'ensemble de données de Leuven (12 TSA, 18 contrôles, de l'université de Louvain). À l'aide d'une analyse de composantes indépendantes, ils obtiennent des réseaux d'état de repos (RSN) socio-exécutifs pertinents et leurs séries temporelles associées. Sur ces séries temporelles, des cartes de cohérence d'ondelettes sont extraites. En utilisant ces cartes, les chercheurs calculent la métrique de dynamique: temps de cohérence en phase. Cette nouvelle métrique est ensuite utilisée pour former des classificateurs pour le diagnostic de l'autisme. La validation croisée «Leave-one-out» est appliquée pour l'évaluation des performances. Pour évaluer la robustesse inter-site, les classificateurs sont testés sur l'ensemble de données de Leuven.Cette méthodologie permet de distinguer les adolescents autistes des adolescents non autistes avec une précision de 86,7% (sensibilité de 91,7%, spécificité de 83,3%). Dans la deuxième expérience, en utilisant l'ensemble de données de Leuven, la performance de la classification à également de 86,7% (sensibilité de 83,3% et spécificité de 88,9%).
Cette étude montre que le changement de la cohérence de la neurodynamique temporelle est un biomarqueur des TSA, et que les classificateurs basés sur la cohérence des ondelettes conduisent à des résultats robustes et reproductibles et pourraient être utilisés comme un outil de diagnostic objectif pour les TSA.

Cliquer ICI pour accéder à l'intégralité de l'article en anglais

Comput Methods Programs Biomed. 2018 Feb;154:143-151. doi: 10.1016/j.cmpb.2017.11.017. Epub 2017 Nov 16.

Wavelet coherence-based classifier: A resting-state functional MRI study on neurodynamics in adolescents with high-functioning autism

Bernas A¹, Aldenkamp AP², Zinger S³.

Author information

1

Department of Electrical Engineering, Eindhoven University of Technology, P.O. Box 513, 5600MB, Eindhoven, The Netherlands; Department of Behavioral Sciences, Epilepsy Center Kempenhaeghe, P.O. Box 61, 5590 VE, Heeze, The Netherlands. Electronic address: a.b.bernas@tue.nl.

2

Department of Electrical Engineering, Eindhoven University of Technology, P.O. Box 513, 5600MB, Eindhoven, The Netherlands; Department of Neurology, Maastricht University Medical Center, P.O. Box 5800, 6202 AZ, Maastricht, The Netherlands; Department of Behavioral Sciences, Epilepsy Center Kempenhaeghe, P.O. Box 61, 5590 VE, Heeze, The Netherlands.

3

Department of Electrical Engineering, Eindhoven University of Technology, P.O. Box 513, 5600MB, Eindhoven, The Netherlands; Department of Behavioral Sciences, Epilepsy Center Kempenhaeghe, P.O. Box 61, 5590 VE, Heeze, The Netherlands.

Abstract

BACKGROUND AND OBJECTIVE:

The autism spectrum disorder (ASD) diagnosis requires a long and elaborate procedure. Due to the lack of a biomarker, the procedure is subjective and is restricted to evaluating behavior. Several attempts to use functional MRI as an assisting tool (as classifier) have been reported, but they barely reach an accuracy of 80%, and have not usually been replicated or validated with independent datasets. Those attempts have used functional connectivity and structural measurements. There is, nevertheless, evidence that not the topology of networks, but their temporal dynamics is a key feature in ASD. We therefore propose a novel MRI-based ASD biomarker by analyzing temporal brain dynamics in resting-state fMRI.

METHODS:

We investigate resting-state fMRI data from 2 independent datasets of adolescents: our in-house data (12 ADS, 12 controls), and the Leuven dataset (12 ASD, 18 controls, from Leuven university). Using independent component analysis we obtain relevant socio-executive resting-state networks (RSNs) and their associated time series. Upon these time series we extract wavelet coherence maps. Using these maps, we calculate our dynamics metric: time of in-phase coherence. This novel metric is then used to train classifiers for autism diagnosis. Leave-one-out cross validation is applied for performance evaluation. To assess inter-site robustness, we also train our classifiers on the in-house data, and test them on the Leuven dataset.

RESULTS:

We distinguished ASD from non-ASD adolescents at 86.7% accuracy (91.7% sensitivity, 83.3% specificity). In the second experiment, using Leuven dataset, we also obtained the classification performance at 86.7% (83.3% sensitivity, and 88.9% specificity). Finally we classified the Leuven dataset, with classifiers trained with our in-house data, resulting in 80% accuracy (100% sensitivity, 66.7% specificity).

CONCLUSIONS:

This study shows that change in the coherence of temporal neurodynamics is a biomarker of ASD, and wavelet coherence-based classifiers lead to robust and replicable results and could be used as an objective diagnostic tool for ASD.

Copyright © 2017 The Authors. Published by Elsevier B.V. All rights reserved.

PMID:29249338

DOI:10.1016/j.cmpb.2017.11.017