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.
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.
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
