Abstract Autism ul este o tulburare de dezvoltare [622219]



Abstract — Autism ul este o tulburare de dezvoltare
caracterizată prin dificultăți de comunicare și interacțiune
socială, precum și prin comportamente repetitive. Autismul este
tulburarea centrală din cadrul unui întreg spectru de tulburări
de dezvoltare, cunoscut sub numele de spect rul tulburărilor
autismului/autiste sau de tulburări pervazive de dezvoltare .

Cuvinte cheie — autism, creier, tulburari neurologice,
neuroștinta .
I. INTRODUCERE
oala cu spectru autism (ASD) este tulbura rea cu cea mai
rapidă dezvoltare caracterizată prin tulburări variate ale
funcției cognitive, interese restrânse și schimbari
comportamentale.
O estimare spune ca 1 din 68 de copii americani sub 8 ani are
ASD. S -a menționat că costul direct al autismului a fost de
268 miliarde USD în 2015 doar în Statele Unite, și este de
așteptat să fie 461 miliarde dolari până în 2025. [4]
Creierul uman este centrul de baza prin intermediul caruia se
coordoneaza intreg corpul. Conectivul creierului uman este de
obicei modelat ca o rețea. În rețeaua creierului, localizarea cu
exactitate a variațiilor de conectivitate asociate cu fenotipurile,
cum ar fi simptomele clinice, est e esențială pentru neuroștinta.
[7] Identificarea asocieri lor conectare -inteligenta , care implică
examinarea conectivităților funcționale între voxelele pereche
între întregul creier, este atât de provocatoare statistic, cât și
din punct de vedere computerizat. Cu toate că o astfel de
metodologie c onectare -inteligenta a fost adoptată recent prin
studii de asociere la nivelul întregului creier (BWAS) pentru a
identifica schimbările de conectivitate în mai multe tulburări
mintale, cum ar fi schizofrenia, autismul și depresia, metodele

multiple de corecție și de anal iză a puterii conc epute special
pentru conexiune .
Explorarea interacțiunilor structurale și funcționale între
diferite regiuni ale creierului permite o mai bună înțelegere a
bazelor patologice ale tulburărilor neurologice. Rețeaua de
conectivitate a creie rului, ca reprezentare simplificată a acelor
interacțiuni structurale și funcționale, a fost utilizată pe scară
largă pentru diagnosticul și clasificarea bolilor
neurodegenerative, în special pentru boala Alzheimer (AD) și
stadiul său timpuriu – deficiență cognitivă ușoară (MCI).
Cu toate acestea, rețeaua de conectivitate funcțională
convențională este de obicei construită pe baza corelației în
perechi între diferite regiuni ale creierului și astfel ignoră
relațiile lor de ordin superior. O astfel de pierd ere de
informații de ordin ridicat ar putea fi importantă pentru
diagnosticul bolii, deoarece neurologic o regiune a creierului
interacționează predominant cu mai multe alte regiuni ale
creierului. În consecință, în acest articol, propunem un cadru
inedit pentru estimarea rețelei de hiperconectivitate a funcțiilor
creierului și apoi să utilizăm această hiper -rețea pentru
diagnosticul bolii creierului. Aici, hyper -rețeaua de
conectivitate funcțională denotă o rețea în care fiecare dintre
marginile sale repre zentând interacțiunile între mai multe
regiuni ale creierului (adică, o margine se poate conecta cu
mai mult de două regiuni ale creierului), care poate fi
reprezentată în mod natural de un hiper –grafic .[2]
II. Predicția bolii folosind rețele
convoluționale g rafice

[1] Graficele sunt utilizate pe scară largă ca si cadru natural
care surprinde interacțiunile dintre elementele individuale
reprezentate ca noduri dintr -un grafic. În aplicațiile medicale,
în special, nodurile pot reprezenta indivizi dintr -o popula ție
potențial mare (pacienți sau controale sănătoase) însoțită de un
set de caracteristici, în timp ce marginile graficului
încorporează asocieri între subiecți într -o manieră intuitivă.
Această reprezentare permite încorporarea bogăției de
informații imag istice și non -imagistice, precum și
caracteristici individuale ale subiectului simultan în sarcinile
de clasificare a bolii. Abordările anterioare bazate pe grafic Bugbena Claudia,
Univ eristatea Politehnica din Timiș oara ,
Electronică Biomedicală ,
Timiș oara, Rom ânia
email: bugbena.claudia@gmail.com
Autismul și modurile de detectare a acestuia
prin intermediul inteligenței artificiale
(Iunie ,2020)
B

pentru învățarea supravegheată sau nesupravegheată în
contextul predicției bolii se concentr ează exclusiv pe
asemănări între perechi între subiecți, ignorând caracteristicile
și caracteristicile individuale sau, mai degrabă, se bazează pe
vectori de caracteristici imagistice specifice subiectului și nu
reușesc să modeleze interacțiunile dintre ei . În această lucrare,
prezentăm o evaluare a unui cadru generic care folosește atât
imagistică, cât și informații non -imagistice și poate fi utilizat
pentru analiza creierului în populații mari. Acest cadru
exploatează rețele grafice convoluționale (GCN -uri) și implică
reprezentarea populațiilor ca un grafic slab, unde nodurile sale
sunt asociate cu vectori de caracteristică bazată pe imagistică,
în timp ce informațiile fenotipice sunt integrate ca greutăți de
margine.

Mod de realizare:
O imagine de ansamblu a metodei propuse este prezentată în
Fig. 1. Considerăm o populație de S subiecți, fiecare subiect
fiind descris de / asociat cu un set de informații
complementare, fenotipice și demografice (de exemplu, sex,
vârstă, site de achiziție ). Populația cuprinde un set de N
achiziții imagistice (RMN structurală sau funcțională sunt
luate în considerare în această lucrare), cu N SS, ceea ce
înseamnă că un subiect poate fi asociat cu mai multe achiziții
(scanări de lungă durată).
Obiectivul no stru este să prezicem starea fiecărui obiect
(control sănătos sau boală) din datele imagistice informate de
informațiile fenotipice. Populația este reprezentată ca un grafic
slab ponderat, G = {V, E, W}, unde W este matricea de
adjacență care descrie conec tivitatea graficului. Fiecare
achiziție A v este reprezentată de un vertex v ∈ V, corespunde
unui subiect S v și este asociată cu un vector de caracteristică
dimensională C (v) extras din datele imagistice. Marginile
modelează graficul asemănarea dintre su biecții corespunzători
și încorporează informațiile fenotipice. Modelăm sarcina
noastră de diagnostic ca o probă de clasificare a nodurilor,
unde ne propunem să atribuim o etichetă l ∈ {0, 1} fiecărui
nod grafic care descrie starea bolnavă (l = 1) sau star ea
sănătoasă (l = 0) a subiect.
Chiar dacă ne concentrăm pe clasificarea binară în această
lucrare, modelul poate fi extins cu ușurință pentru probleme de
clasificare cu mai multe clase. Adoptăm o strategie semi –
supravegheată, în care toate caracteristici le nodurilor,
împreună cu graficul populației, sunt transmise la GCN, în
timp ce numai un subset al nodurilor grafice este etichetat în
timpul instruirii și utilizat pentru procesul de optimizare.
Intuitiv, graficul acționează ca un regulator, „încurajând”
nodurile conectate cu greutăți de margine înaltă pentru a
contribui mai mult la filtrarea caracteristicilor nodurilor
învecinate, într -un mod care crește performanța propagării
etichetelor .
Figure 1: Clasificarea graficelor
III. Metode de detectare

1. Imagistica prin rezonanță funcțional -magnetică
(RMN) în stare de repaus: o abordare de filtrare
spațială .

[3]Se prezintă o nouă abordare pentru detectarea diferențelor
majore în activitățile cerebrale între pacienții cu tulburări ale
spectrului de autism (ASD) și subiecții neurotipici utilizând
RMN -ul în stare de repaus. În plus, metoda extrage, de
asemenea, caracteristici discriminatorii pentru un diagnostic
precis al ASD . Abordarea propusă determină un filtru spațial
care proiectează matricile de covarianță ale semnalelor de
timp dependente ale nivelului de oxigen din sânge (BOLD) de
la pacienți cu ASD și subiecți neurotipici în direcții
ortogonale, astfel încât acestea să fie foarte separabile.
Inversul acestui filtru oferă, de aseme nea, o hartă a modelului
spațial în creier, care evidențiază acele regiuni responsabile de
activitățile care se disting între pacienții cu TSA și subiecții
neurotipici. Pentru o mai bună clasificare, caracteristicile de
diferență logistică extrem de discri minatorii care asigură
separarea maximă între cele două clase sunt extrase din dat ele
proiectate din seria BOLD.

Pentru analiza conectivității din seria de timp BOLD, o
matrice de conectivitate este utilizată în general pentru a
cuantifica punctele tari ale conexiunilor funcționale dintre
diferitele regiuni ale creierului. Înregistrările din matricea de
conectivitate se bazează pe o măsură statistică (coeficientul de
corelație Pearson, informații reciproce etc.) ale activărilor
interregionale ale creierul ui în timpul achiziției RMN. Au fost
făcute recent mai multe încercări de a studia con ectivitatea
creierului sub ASD. Folosind seturi mici de date fMRI
(obținute de la mai puțin de 100 de subiecți), multe dintre
aceste lucrări au încercat să exploreze feno menele
conexiunilor mai slabe (hipoconectivitate) sau conexiuni mai
puternice (hiper -conectivitate) datorate ASD între diferitele
regiuni ale creierul. În timp ce unele dintre aceste studii indică
hipo-conectivitate pentru pacienții cu ASD (Assaf și colab. ,
2010; Cardinale și colab., 2013; Mueller și colab., 2013;
Barttfeld și colab., 2012; Weng și colab., 2010), unii alte studii
au indicat, de asemenea, hiper -conectivitatea (în anumite
regiuni ale creierului pentru pacienții cu TSA.

2. Estimarea atlasului re țelei creierului funcțional
comun și selectarea caracteristicilor

[4] Hărțile creierului bazate pe imagini, corelate în general ca
„intensități sau atase ale imaginii”, au condus câmpul
cartografierii creierului în sănătate și boli i de zeci de ani, în
timp ce au investigat un spectru larg de afecțiuni neurologice.
Estimarea atlaselor creierului reprezentative constituie un pas
fundamental în mai multe cartografii, diagnosticare și
prognostic ale tulburărilor neurologice bazate pe RMN. Cu
toate acestea, a cestea lipsesc izbitor în domeniul conectomicii
cerebrale, unde atlasele creierului conexional derivate din
RMN funcțional (fRMI) sau RMN de difuzie (RMN) sunt
aproape absente. Pe de altă parte, metodele convenționale de
clasificare bazate pe conectomică r ecurg în mod tradițional la
metode de selecție a caracteristicilor pentru a scădea
dimensionalitatea înaltă a datelor conectomice pentru a învăța
cum să diagnostice noi pacienți. Cu toate acestea, acestea sunt
în general limitate de costurile de calcul rid icate și de o mare
variabilitate a performanței pe diferite seturi de date, ceea ce
ar putea împiedica identificarea biomarkerilor reproductibili.

Pentru a rezolva ambele limitări, propunem fără precedent o
metodă de selecție a caracteristicilor ghidate de atlas (rețea de
creier) (NAG -FS) pentru a dezlipi pe cei sănătoși de
conectomul dezordonat. În acest scop, având în vedere o
populație de conectomi cerebrali, vă propunem să învățați cum
să estimați un atlas de rețea funcțională a creierului centrat și
reprezentativ (adică, un centru de populație) pentru a mapa în
mod fiabil conectomul funcțional și variabilitatea acestuia în
rândul persoanelor de formare, prinzând astfel trăsăturile lor
comune (adică amprentă connețională a unei populații). În
esență, învățăm mai întâi asemănările în perechi între
conctectomii din populație pentru a le asocia în diferite
subspații. În continuare, vom conecta non -liniar difuz și
fuziona conectomii care trăiesc în fiecare subspațiu, respectiv.
Prin integrarea atlasului re țelei specifice subspațiului produs,
estimăm în final atlasul rețelei de populație. În cele din urmă,
calculăm diferența dintre atlasele rețelei sănătoase și
dezordonate pentru a identifica cele mai discriminatorii
caracteristici, care sunt apoi folosite p entru a antrena un elev
predicativ. Metoda noastră a crescut performanța clasificării
cu 6% în comparație cu metodele FS de ultimă generație
atunci când se clasifică subiecții autiști și sănătoși.

3. Învățarea grafică multivariată pentru detectarea
conectivi tății aberante a rețelelor cerebrale dinamice.

[5] Alterari ale retelelor functionale statice ale creierului au
fost anterior raportate in tulburarea spectrului autistic (ASD).
Deși se știe că rețelele funcționale ale creierului variază în
timp, modificăr ile din rețelele cerebrale care variază în timp
sau dinamice în ASD nu sunt cunoscute. Prin urmare, în acest
studiu, analizăm datele fMRI în stare de repaus ale grupului
ASD față de grupul de dezvoltare în mod obișnuit (TDC)
pentru a înțelege modificările din rețelele cerebrale funcționale
dinamice în ASD față de controalele sănătoase. Vom introduce
un nou cadru pentru extragerea rețelelor de creier funcționale
dinamice suprapuse, pentru a studia aceste modificări. Folosim
abordarea ferestrei glisante împre ună cu metoda recentă bazată
pe regresie bazată pe regresie multivariabilă (MVRC), pentru
a construi matricile de conectivitate funcțională (FC) în fiecare
fereastră de timp. În plus, construim tensor spațio -temporal rezumat în trei moduri atât în grupur ile ASD, cât și în cele
TDC. Acest tensor este utilizat pentru a determina un set de
rețele dinamice funcționale ale creierului și profilurile lor
temporale. Acest lucru ne ajută în studierea modificărilor din
rețelele cerebrale dinamice la subiecții cu AS D la nivel de
grup. Cadrul propus este testat pe două seturi de date fMRI ale
statului de repaus disponibile public, de ASD și controale
normale.
Analizele referitoare la datele RMN în stare de repaus indică
faptul că rețelele dinamice funcționale ale cr eierului
subiecților ASD sunt modificate în comparație cu grupul TDC.
Testul cu două probe este utilizat pentru a stabili semnificația
statistică a diferențelor observate în punctele de rezistență ale
rețelei din cele două grupuri. Față de subiecții TDC, s ubiecții
autiști au arătat modificări în rețelele cerebrale funcționale
multiple, incluzând controlul cognitiv, rețea subcorticală,
auditivă, vizuală, limbică bilaterală și mod implicit.
Metodologia propusă este în măsură să furnizeze informații
despre mod ificările rețelelor dinamice funcționale ale
creierului în ASD și poate oferi potențiali biomarkeri pentru
studiul tulburărilor cerebrale umane.

4. F-ponderea învățării structurii adaptive pentru
diagnosticul ASD prin reprezentare multi -șablon
multi -centru .

[6] Ca un fel de boală neurodezvoltată, tulburarea spectrului
de autism (ASD) poate provoca provocări sociale grave, de
comunicare, interacțiune și comportamentale. Până în prezent,
multe tehnici de învățare automată bazate pe imagistică au fost
propuse pentru a aborda problemele de diagnostic ASD. Cu
toate acestea, majoritatea acestor tehnici sunt limitate la un
singur șablon sau set de date dintr -un centru imagistic. În
această lucrare, vă propunem o nouă schemă de clasificare a
ansamblurilor cu mai mul te șabloane pentru diagnosticul
automat de ASD. În mod specific, pe baza unor șabloane
predefinite, construim rețele de creier conectivitate funcțională
(FC) multiple pentru fiecare subiect, pe baza reprezentării
propuse pe scară scăzută bazată pe corelați a noastră bazată pe
corelație Pearson. După extragerea funcțiilor din aceste rețele
FC, caracteristicile informative pentru a învăța matricea de
asemănare optimă sunt apoi selectate de modelul nostru de
învățare a structurii adaptive (PESL). Pentru fiecare șablon,
metoda SASL atribuie automat o greutate optimă învățată din
informațiile structurale, fără greutăți și parametri suplimentari.
În sfârșit, se aplică o strategie de ansamblu bazată pe
reprezentanții multicentru de tip șablon pentru a obține
rezulta tele finale ale diagnosticului. Experimente extinse sunt
efectuate pe baza de date pentru schimbul de date privind
imaginea creierului Autism (ABIDE) disponibil public pentru
a demonstra eficacitatea metodei noastre propuse. Rezultatele
experimentale verif ică dacă metoda noastră propusă crește
performanța diagnosticului ASD și depășește metodele de
ultimă generație.

În mod obișnuit, rețelele funcționale ale creierului sunt
studiate utilizând o analiză funcțională (conectivitate
funcțională statică) care pr esupune rețelele să fie statice pe
parcursul întregii sesiuni de scanare. Unele studii au arătat o
insuficiență generală la subiecții cu TSA comparativ cu TDC

unele s -au concentrat pe evaluarea difere nțelor de FC asociate
cu vârsta, iar altele au fost anal izate asupra modificării
conectivitatea unei anumite regiuni în ASD. Cu toate acestea,
s-a raportat că rețelele creierului se schimbă cu timpul și sunt,
în mod inerent, staționare pe durata unei singure scanări . Prin
urmare, sFC -ul poate să nu capteze com plet aceste rețele de
creier care variază în timp. Deși analiza dinamică funcțională
bazată pe conectivitate (dFC) apare ca o tehnică pro mițătoare
complementară cu sFC , studiul analizei fMRI bazate pe dFC
în ASD a fost raportat doar în câteva studii.

IV. Concluzii

Datorită evoluției tehnologiei, unele boli pot fi detectate mai ușor sau
pot fi detectate în stadii de început. Se poate observă că există moduri
diverse de a detecta autismul, fiecare prezentând un avantaj al
utilizării acestuia.
În prezent, p ersoanele cu această boală pot fi ajutați mult mai
timpuriu, datorită detectării precoce.

V. REFERIN ȚE

[1] Disease -prediction -using -graph -convolutional -networks –
Appl_2018_Medical -Ima (2 Iunie 2018), Sarah Parisot and all, articol format
pdf (Ultima accesare: 30.06.2020)

[2] Hyper -connectivity -of-functional -networks -for-brain -di_2016_Medical –
Image -An (24 Martie 2016), Biao Jie and all, articol format pdf (Ultima
accesare: 30.06.2020)

[3] Identifying -differences -in-brain -activities -and-an-accurate –
det_2017_Medical (23 August 2016), Suresh Sundaram and all, articol format
pdf (Ultima accesare: 30.06.2020)

[4] Joint -functional -brain -network -atlas -estimation -and-feature –
_2020_Medi cal-Im (7 Noiembrie 2019), Islem Mhiri, Islem Rekik, articol
format pdf (Ultima accesare: 30.06.2020)

[5] Multivariate -graph -learning -for-detecting -aberrant –
connect_2019_Medical -Imag (25 Mai 2019), Anubha Gupta and all, articol
format pdf (Ultima accesare: 30.06.2020)

[6] Self-weighted -adaptive -structure -learning -for-ASD –
diagnosi_2020_Medical -Imag (1 Februarie 2020), Peng Yang and all, articol
format pdf (Ultima accesare: 30.06.2020)

[7] Statistical -testing -and-power -analysis -for-brain -wide -_2018_Medical –
Image -An (5 Aprilie 2018), Lin Wuan and all, articol format pdf (Ultima
accesare: 30.06.2020)