机器学习揭示了孤独症患者中的神经解剖学变异

了解自闭症谱系障碍（ASD）患者的脑异质性可能对改善受影响个体的生活品质至关重要，它可通过做出更具体的诊断和针对性行为干预而实现。将一种数据驱动方法应用于ASD患者的MRI脑扫描如今显示，至少就ASD特定的解剖变化而言，ASD并未聚集成不同的亚型，它是作为脑结构的连续性变化存在的。该研究的作者说：“通过连续维度可比通过多个不同的聚类更好地捕捉到ASD内的个体变异”，这表明，至少在神经解剖学层面，维度法可比离散诊断部类更好地解释个体差异。”ASD是一种普遍的神经发育疾病，它会影响与他人的互动、交流、学习和行为；全球目前约有1/100的人患有此病。虽然人们为了解ASD的生物学基础已投入大量的研究，但由于ASD是一种高度异质性疾病——即不同ASD患者在行为症状上的严重程度不同，遗传学和基础神经解剖学也不同——因此要在实现这些目标上取得进展仍面临挑战。研究人员一直就ASD的个体差异是否能更好地理解为不同的亚型还是连续维度中的变化进行辩论。为了更好地表征ASD的神经解剖学变异，Aidas Aglinskas和同事将对比机器学习应用于“孤独症脑成像数据交换 I（ABIDE I）”数据集的MRI脑扫描，并与对照组进行比较。研究人员过去能够区分ASD特有的神经解剖学个体变异和整体人群的特征变异；这些变异模式与临床和非临床参与者的特征（如年龄）存在差异相关。（值得注意的是，作者能够将这些发现概括为一个新的独立数据集，这一属性有助于其在诊断中的应用。）然而，Aglinskas等人并没有围绕不同的亚型进行聚类，而是发现了可影响不同脑区组脑结构持续性变化的证据。