Integration of Brain and Behavior Measures for Identification of Data-Driven Groups Cutting Across Children with ASD, ADHD, or OCD
Notice bibliographique
Résumé
Abstract Autism spectrum disorder (ASD), obsessive-compulsive disorder (OCD) and attention-deficit/hyperactivity disorder (ADHD) are clinically and biologically heterogeneous neurodevelopmental disorders (NDDs). The objective of the present study was to integrate brain imaging and behavioral measures to identify new brain-behavior subgroups cutting across these disorders. A subset of the data from the Province of Ontario Neurodevelopmental Disorder (POND) Network including participants with different NDDs (aged 6-16 years) that underwent cross-sectional T1-weighted and diffusion-weighted magnetic resonance imaging (MRI) scanning on the same 3T scanner, and behavioral/cognitive assessments was used. Similarity Network Fusion was applied to integrate cortical thickness, subcortical volume, white matter fractional anisotropy (FA), and behavioral measures in 176 children with ASD, ADHD or OCD with complete data that passed quality control. Normalized mutual information (NMI) was used to determine top contributing model features. Bootstrapping, out-of-model outcome measures and supervised machine learning were each used to examine stability and evaluate the new groups. Cortical thickness in socio-emotional and attention/executive networks and inattention symptoms comprised the top ten features driving participant similarity and differences between four transdiagnostic groups. Subcortical volumes (pallidum, nucleus accumbens, thalamus) were also different among groups, although white matter FA showed limited differences. Features driving participant similarity remained stable across resampling, and the new groups showed significantly different scores on everyday adaptive functioning. Our findings open the possibility of studying new data-driven groups that represent children with NDDs more similar to each other than others within their own diagnostic group. Such new groups can be evaluated longitudinally for prognostic utility and could be stratified for clinical trials targeted toward each group’s unique brain and behavioral profiles.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».