Investigating heterogeneity across autism, ADHD, and typical development using measures of cortical thickness, surface area, cortical/subcortical volume, and structural covariance
Notice bibliographique
Résumé
Introduction Attention-deficit/hyperactivity disorder (ADHD) and autism are multi-faceted neurodevelopmental conditions with limited biological markers. The clinical diagnoses of autism and ADHD are based on behavioural assessments and may not predict long-term outcomes or response to interventions and supports. To address this gap, data-driven methods can be used to discover groups of individuals with shared biological patterns. Methods In this study, we investigated measures derived from cortical/subcortical volume, surface area, cortical thickness, and structural covariance investigated of 565 participants with diagnoses of autism [n = 262, median(IQR) age = 12.2(5.9), 22% female], and ADHD [n = 171, median(IQR) age = 11.1(4.0), 21% female] as well neurotypical children [n = 132, median(IQR) age = 12.1(6.7), 43% female]. We integrated cortical thickness, surface area, and cortical/subcortical volume, with a measure of single-participant structural covariance using a graph neural network approach. Results Our findings suggest two large clusters, which differed in measures of adaptive functioning (χ2 = 7.8, P = 0.004), inattention (χ2 = 11.169, P < 0.001), hyperactivity (χ2 = 18.44, P < 0.001), IQ (χ2 = 9.24, P = 0.002), age (χ2 = 70.87, P < 0.001), and sex (χ2 = 105.6, P < 0.001). Discussion These clusters did not align with existing diagnostic labels, suggesting that brain structure is more likely to be associated with differences in adaptive functioning, IQ, and ADHD features.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».