Les connectivités fonctionnelles sont plus informatives que les variables anatomiques dans la classification diagnostique de l'autisme

Aperçu: G.M.

Des techniques d'apprentissage automatique ont été mises en œuvre pour révéler les caractéristiques du cerveau qui distinguent les personnes avec un diagnostic de "troubles du spectre de l'autisme" (dTSA) de leurs pairs en développement typique (TD). Cependant, il reste à déterminer si différentes modalités de neuroimagerie sont également informatives pour la classification diagnostique. 

Nous avons comparé l'IRM anatomique (aMRI), l'imagerie pondérée en diffusion (DWI) et l'IRM à connectivité fonctionnelle (fcMRI), en utilisant une forêt d'arbres décisionnels (CRF) pour l'apprentissage supervisé, afin de comparer le degré d'information de chaque modalité dans la classification diagnostique. Les données internes (N = 93) incluaient 47 participants au TD et 46 participants avec un dTSA, appariés selon l'âge, le mouvement et le QI non verbal.

Quatre analyses principales ont indiqué de manière constante que les variables IRMfci étaient significativement plus informatives que les variables anatomiques de IRMa et DWI. 

Ceci a été trouvé

• (1) lorsque les 100 premières variables du CRF exécutées séparément dans chaque mode ont été combinées pour le CRF multimodal; 
• (2) lorsque seules 19 variables maximales atteignant une précision> 67% dans chaque mode ont été combinées dans un CRF multimodal; et 
• (3) lorsque le grand nombre de variables initiales (avant réduction de dimension), les comparaisons potentiellement biaisantes en faveur de fcMRI ont été réduites à l'aide d'un schéma de région d'intérêt moins granulaire. Une supériorité constante de la fcMRI a même été trouvée 
• (4) lorsque 100 variables par modalité ont été sélectionnées de manière aléatoire, éliminant ainsi tout biais potentiel. 

Une valeur informative plus importante des modalités fonctionnelles que des modalités anatomiques peut être liée à la nature des données IRMf, reflétant plus étroitement une condition comportementale, qui constitue également la base du diagnostic, alors que l'anatomie cérébrale peut refléter davantage les antécédents neurodéveloppementaux.

Brain Connect. 2019 Jul 21. doi: 10.1089/brain.2019.0689.

Functional connectivities are more informative than anatomical variables in diagnostic classification of autism

Eill A^1,2, Jahedi A^1,3, Gao Y^1,4, Kohli JS^1,5, Fong CH⁶, Solders S⁷, Carper RA⁸, Valafar F⁹, Bailey BA¹⁰, Müller RA¹¹.

Author information

1

San Diego State University Brain Development Imaging Laboratory, 465484, San Diego, California, United States.

2

San Diego State University, 7117, Bioinformatics and Medical Informatics, San Diego, California, United States; ainaeill@gmail.com.

3

San Diego State University, 7117, Computational Science Research Center, San Diego, California, United States; afroozjahedi@gmail.com.

4

San Diego State University, 7117, Mathematics and Statistics, San Diego, California, United States; yangfeifeig@gmail.com.

5

San Diego State University, 7117, SDSU/UC San Diego Joint Doctoral Program in Clinical Psychology, San Diego, California, United States; jiwankohli@gmail.com.

6

San Diego State University Brain Development Imaging Laboratory, 465484, San Diego, California, United States; cfong@sdsu.edu.

7

San Diego State University Brain Development Imaging Laboratory, 465484, San Diego, California, United States; soldersseraphina@gmail.com.

8

San Diego State University Brain Development Imaging Laboratory, 465484, San Diego, California, United States; rcarper@sdsu.edu.

9

San Diego State University, 7117, Bioinformatics and Medical Informatics, San Diego, California, United States; faramarz@sdsu.edu.

10

San Diego State University, 7117, San Diego, California, United States; bbailey@sdsu.edu.

11

San Diego State University, Brain Development Imaging Laboratory, Department of Psychology, 6363 Alvarado Ct. #200, San Diego, California, United States, 91941; rmueller@sdsu.edu.

Abstract

Machine learning techniques have been implemented to reveal brain features that distinguish people with autism spectrum disorders (ASDs) from typically developing (TD) peers. However, it remains unknown whether different neuroimaging modalities are equally informative for diagnostic classification. We combined anatomical MRI (aMRI), diffusion weighted imaging (DWI), and functional connectivity MRI (fcMRI), using conditional random forest (CRF) for supervised learning to compare how informative each modality was in diagnostic classification. In-house data (N=93) included 47 TD and 46 ASD participants, matched on age, motion, and non-verbal IQ. Four main analyses consistently indicated that fcMRI variables were significantly more informative than anatomical variables from aMRI and DWI. This was found (1) when the top 100 variables from CRF run separately in each modality were combined for multimodal CRF; (2) when only 19 top variables reaching >67% accuracy in each modality were combined in multimodal CRF; and (3) when the large number of initial variables (before dimension reduction) potentially biasing comparisons in favor of fcMRI was reduced using a less granular region of interest scheme. Consistent superiority of fcMRI was even found (4) when 100 variables per modality were randomly selected, removing any such potential bias. Greater informative value of functional than anatomical modalities may relate to the nature of fcMRI data, reflecting more closely behavioral condition, which is also the basis of diagnosis, whereas brain anatomy may be more reflective of neurodevelopmental history.

PMID:31328535

DOI:10.1089/brain.2019.0689