Neuroanatomical phenotypes in mental illness: identifying convergent and divergent cortical phenotypes across autism, ADHD and schizophrenia
Notice bibliographique
Résumé
Background: There is evidence suggesting neuropsychiatric disorders share genomic, cognitive and clinical features. Here, we ask if autism-spectrum disorders (ASD), attention-deficit/hyperactivity disorder (ADHD) and schizophrenia share neuroanatomical variations. Methods: First, we used measures of cortical anatomy to estimate spatial overlap of neuroanatomical variation using univariate methods. Next, we developed a novel methodology to determine whether cortical deficits specifically target or are “enriched” within functional resting-state networks. Results: We found cortical anomalies were preferentially enriched across functional networks rather than clustering spatially. Specifically, cortical thickness showed significant enrichment between patients with ASD and those with ADHD in the default mode network, between patients with ASD and those with schizophrenia in the frontoparietal and limbic networks, and between patients with ADHD and those with schizophrenia in the ventral attention network. Networks enriched in cortical thickness anomalies were also strongly represented in functional MRI results (Neurosynth; r = 0.64, p = 0.032). Limitations: We did not account for variable symptom dimensions and severity in patient populations, and our cross-sectional design prevented longitudinal analyses of developmental trajectories. Conclusion: These findings suggest that common deficits across neuropsychiatric disorders cannot simply be characterized as arising out of local changes in cortical grey matter, but rather as entities of both local and systemic alterations targeting brain networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».