High-precision machine learning identifies a reproducible functional connectivity signature of autism spectrum diagnosis in a subset of individuals
Notice bibliographique
Résumé
BACKGROUND: Discovery of predictive biomarkers is essential for understanding the neurobiological underpinnings of autism spectrum diagnosis (ASD) and improving identification. Resting-state functional connectivity analyses of individuals with ASD have established sensitivity of brain connectivity at the group level. However, the extensive heterogeneity in ASD limits the translation of these findings into reliable individual-level biomarkers. We analyzed the Autism Brain Imaging Data Exchange 1 and 2 datasets, calculating Pearson's correlation-based functional connectivity across 18 brain networks. Using transductive conformal prediction, a machine learning approach that assigns confidence scores to predictions based on conformality to known classes, we classified individuals with ASD and neurotypical controls. RESULTS: By combining predictors into an ensemble using hierarchical agglomerative clustering, we identified a signature that confers a more than 7-fold increase in individual risk of ASD, yet is still identified in an estimated 1 in 200 individuals in the general population. The individual risk conferred by the model is increased 4-fold over that of previously published imaging models and outperforms the current state of the art in precision for ASD classification. The high-risk signature was characterized by underconnectivity of transmodal brain networks, including the frontoparietal and basal ganglia network, and subcomponents of the limbic and default mode networks. CONCLUSIONS: A highly targeted prediction model can identify a subset of functional connectivity alterations that confer high risk for ASD at the individual level, which may be masked by traditional machine learning models due to ASD heterogeneity. Results could help disentangle the multitude of etiological pathways and behavioral symptoms that challenge our understanding of ASD by focusing on highly penetrant connectivity signatures.
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 | 0,002 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».