Gesundheit
Gehirn-scan-Methode kann helfen bei der Erkennung von Autismus

Viele ärzte und Wissenschaftler glauben, Sie könnte zur Verbesserung der Diagnose und das Verständnis von Autismus-Spektrum-Störungen, wenn Sie hatte ein zuverlässiges Mittel zur Identifizierung spezifischer Auffälligkeiten im Gehirn. Solche „Biomarker“ haben sich als schwer realisierbar erwiesen, weil Häufig die Methoden, die zeigen, Versprechen, mit einer Gruppe von Patienten, die scheitern, wenn zu einer anderen Anwendung. In einer neuen Studie, die in Nature Communications , allerdings berichten Wissenschaftler ein neues Maß an Erfolg. Ihre vorgeschlagenen biomarker arbeitete mit einem vergleichsweise hohen Grad an Genauigkeit bei der Beurteilung von zwei verschiedenen Gruppen von Erwachsenen.

Crucial Connections
Eine Karte der verbindungen im Gehirn, die sich als nützlich in der Unterscheidung von Patienten, die mit Autismus diagnostiziert von Menschen ohne Autismus-Diagnose.
Credit: Nature Communications

Die Technologie, hauptsächlich entwickelt von der Advanced Telecommunications Research Institute International in Kyoto, Japan, mit den wichtigsten Beiträgen der drei co-Autoren an der Brown University, ist ein computer-Algorithmus namens „classifier“, weil es klassifizieren können Gruppen von Probanden-Personen mit einer Autismus-Spektrum-Störung und solchen ohne-basierend auf der funktionellen Magnetresonanztomographie (fMRT) Gehirn-scans. Durch die Analyse von tausenden von verbindungen der Gehirn-Netzwerk-Konnektivität in den Partituren von Menschen mit und ohne Autismus, die software, die 16 wichtigsten interregionalen funktionellen verbindungen, die es erlaubt, zu sagen, mit hoher Genauigkeit, die schon traditionell mit Autismus diagnostiziert, und wer nicht hatte. Das team entwickelt die Klassifizierer mit 181 Erwachsenen Probanden an drei Standorten in Japan und bewarb es in einer Gruppe von 88 amerikanischen Erwachsenen an sieben Standorten. Alle Probanden mit Autismus diagnostiziert hatten keine geistige Behinderung.

„Es ist die erste Studie, die [erfolgreich] für einen Klassifizierer zu einer völlig anderen Kohorte“, sagte co-entsprechenden Autor Yuka Sasaki, research associate professor von kognitiven, linguistischen und psychologischen Wissenschaften bei Brown. „Es wurden zahlreiche versuche vor. Wir schließlich überwand das problem.“

Die Klassifizierer, die verbindet zwei machine-learning-algorithmen, funktionierte gut in jeder population, die durchschnittlich 85 Prozent Genauigkeit bei der japanischen Freiwilligen und 75 Prozent Genauigkeit bei den Amerikanern. Die Forscher berechneten, dass die Wahrscheinlichkeit des Sehens der Grad der cross-Bevölkerung Leistung rein durch Zufall war 1,4 Millionen.

„Diese Ergebnisse zeigen, dass obwohl wir entwickelten eine hoch zuverlässige Klassifikator mit den Trainingsdaten nur in Japan, es ist ausreichend universal zu klassifizieren [Autismus] in den U. S. A. Validierung Kohorte“, schrieb das team von Kliniker und Grundlagenforscher der Leitung von Mitsuo Kawato von ATR.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.