Early Brain Imaging can Predict Autism: Application of Machine Learning to a Clinical Imaging Archive
Notice bibliographique
Résumé
Abstract A comprehensive investigation of early brain alterations in Autism Spectrum Disorder (ASD) is critical for understanding the neuroanatomical underpinnings of autism and its early diagnosis. Most previous brain imaging studies in ASD, however, are based on children older than 6 years – well after the average age of ASD diagnosis (~46 months). In this study, we use brain magnetic resonance images that were collected as part of clinical routine from patients who were later diagnosed with ASD. Using 15 ASD subjects of age three to four years and 18 age-matched non-ASD subjects as controls, we perform comprehensive comparison of different brain morphometric features and ASD vs. non-ASD classification by Random Forest machine learning method. We find that, although total intracranial volume (TIV) of ASD was 5.5 % larger than in non-ASD, brain volumes of many other brain areas (as a percentage of TIV) were smaller in ASD and can be partly attributed to larger (>10 %) ventricles in ASD. The larger TIV in ASD was correlated to larger surface area and increased amount of cortical folding but not to cortical thickness. The white matter regions in ASD had less image intensity (predominantly in the frontal and temporal regions) suggesting myelination deficit. We achieved 95 % area under the ROC curve (AUC) for ASD vs. non-ASD classification using all brain features. When classification was performed separately for each feature type, image intensity yielded the highest predictive power (95 % AUC), followed by cortical folding index (69 %), cortical and subcortical volume (69 %), and surface area (68 %). The most important feature for classification was white matter intensity surrounding the rostral middle frontal gyrus and was lower in ASD (d = 0.77, p = 0.04). The high degree of classification success indicates that the application of machine learning methods on brain features holds promise for earlier identification of ASD. To our knowledge this is the first study to leverage a clinical imaging archive to investigate early brain markers in ASD.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».