Functional connectivity between the visual and salience networks and autistic social features at school-age
Notice bibliographique
Résumé
BACKGROUND: Autism spectrum disorder (ASD) is highly heritable and phenotypically variable. Neuroimaging markers reflecting variation in behavior will provide insights into circuitry subserving core features. We examined functional correlates of ASD symptomology at school-age, while accounting for associated behavioral and cognitive domains, in a longitudinal sample followed from infancy and enriched for those with a genetic liability for ASD. METHODS: Resting state functional connectivity MRIs (fcMRI) and behavioral data were analyzed from 97 school-age children (8.1-12.0 years, 55 males, 15 ASD) with (n = 63) or without (n = 34) a family history of ASD. fcMRI enrichment analysis (EA) was used to screen for associations between network-level functional connectivity and six behaviors of interest in a data-driven manner: social affect, restricted and repetitive behavior (RRB), generalized anxiety, inattention, motor coordination, and matrix reasoning. RESULTS: Functional connectivity between the visual and salience networks was significantly associated with social affect symptoms at school-age after accounting for all other behaviors. Results indicated that stronger connectivity was associated with higher social affect scores. No other behaviors were robustly associated with functional connectivity, though trends were observed between visual-salience connectivity and RRBs. CONCLUSIONS: Connectivity between the visual and salience networks may play an important role in social affect symptom variability among children with ASD and those with genetic liability for ASD. These findings align with and extend earlier reports in this sample of the central role of the visual system during infancy 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 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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».