Cross-Diagnosis Structural Correlates of Autistic-Like Social Communication Differences
Notice bibliographique
Résumé
Social communication differences are seen in autism spectrum disorder (ASD), attention-deficit/hyperactivity disorder (ADHD), and obsessive-compulsive disorder (OCD), but the brain mechanisms contributing to these differences remain largely unknown. To address this gap, we used a data-driven and diagnosis-agnostic approach to discover brain correlates of social communication differences in ASD, ADHD, and OCD, and subgroups of individuals who share similar patterns of brain-behavior associations. A machine learning pipeline (regression clustering) was used to discover the pattern of association between structural brain measures (volume, surface area, and cortical thickness) and social communication abilities. Participants (n = 416) included children with a diagnosis of ASD (n = 192, age = 12.0[5.6], 19% female), ADHD (n = 109, age = 11.1[4.1], 18% female), or OCD (n = 50, age = 12.3[4.2], 42% female), and typically developing controls (n = 65, age = 11.6[7.1], 48% female). The analyses revealed (1) associations with social communication abilities in distributed cortical and subcortical networks implicated in social behaviors, language, attention, memory, and executive functions, and (2) three data-driven, diagnosis-agnostic subgroups based on the patterns of association in the above networks. Our results suggest that different brain networks may contribute to social communication differences in subgroups that are not diagnosis-specific.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».