Structural changes in autism reflect atypical brain network organization and phenotypical heterogeneity: a deep network approach
Diese Studie setzt 3D-konvolutionale neuronale Netze ein, um strukturelle MRT-Daten zu analysieren, und zeigt auf, dass atypische makrostrukturelle Veränderungen in den linken Frontal- und Temporallappen sowie spezifische funktionelle Netzwerke der phänotypischen Heterogenität der Autismus-Spektrum-Störung zugrunde liegen und somit Einblicke für die diagnostische Subtypisierung bieten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die Autismus-Spektrum-Störung ist eine komplexe Entwicklungsstörung, die beeinflusst, wie Menschen interagieren, kommunizieren und die Welt erleben. Während die Kernherausforderungen gut bekannt sind, äußert sich die Störung bei jedem Individuum unterschiedlich, was ein breites Spektrum an Erfahrungen schafft, statt einer einzigen, einheitlichen Erkrankung. Wissenschaftler versuchen seit langem, die biologischen Wurzeln dieser Vielfalt zu verstehen, indem sie nach physischen Unterschieden im Gehirn suchen, die erklären könnten, warum eine Person Schwierigkeiten mit sozialen Hinweisen hat, während eine andere vor anderen Hürden steht. Seit Jahrzehnten verlassen sich Forscher auf die funktionelle Bildgebung, die das Gehirn in Aktion erfasst, um diese Unterschiede abzubilden. Eine grundlegendere Frage bleibt jedoch: Kann auch die statische Struktur des Gehirns, seine physische Architektur, die in einer einzigen Momentaufnahme festgehalten wird, die komplexen Muster dieser Störung offenbaren?
Eine neue Studie von Forschern der Boston University legt nahe, dass die Antwort ja lautet. Durch die Anwendung fortschrittlicher künstlicher Intelligenz auf standardmäßige strukturelle Hirnscans hat das Team eine verborgene Karte aufgedeckt, wie sich Autismus physisch im gesamten Gehirn manifestiert. Sie suchten nicht bloß nach einem einzelnen „Autismus-Punkt“, sondern verwendeten ein Deep-Learning-System, um das gesamte Hirnvolumen von über einhundert Personen zu analysieren. Das Ziel war es zu sehen, ob die physische Form und Struktur des Gehirns die Schwere der Symptome einer Person vorhersagen und offenbaren konnte, welche spezifischen Netzwerke involviert sind. Die Ergebnisse deuten auf ein auffälliges Muster hin: Die Störung hinterlässt eine deutliche, asymmetrische Spur im Gehirn, wobei die linke Seite die signifikantesten strukturellen Veränderungen zeigt, die mit dem Schweregrad der Erkrankung übereinstimmen.
Die Forscher arbeiteten mit einer großen Sammlung von Hirnscans aus einer öffentlichen Datenbank und konzentrierten sich auf Personen mit Autismus, die entweder als hoch oder niedrig in der Symptomschwere basierend auf einer standardisierten klinischen Skala eingestuft worden waren. Sie trainierten ein hochentwickeltes Computermodell, einen Typ von künstlicher Intelligenz, der als dreidimensionales faltendes neuronales Netzwerk (3D Convolutional Neural Network) bekannt ist, um zwischen diesen beiden Gruppen zu unterscheiden. Dieses Modell wurde darauf ausgelegt, das gesamte Gehirn gleichzeitig zu betrachten und zu lernen, subtile Unterschiede in der grauen Substanz zu erkennen, die dem menschlichen Auge entgehen könnten. Um sicherzustellen, dass das Modell etwas über Autismus lernt und nicht nur über zufälliges Rauschen oder Unterschiede in der Art und Weise, wie die Scans in verschiedenen Krankenhäusern aufgenommen wurden, setzte das Team strenge Testmethoden ein. Sie verifizierten, dass der Erfolg des Modells nicht auf der Qualität der Bilder oder dem Alter der Teilnehmer beruhte, sondern auf echten strukturellen Merkmalen, die mit der Störung assoziiert sind.
Sobald das Modell gelernt hatte, die Gruppen voneinander zu unterscheiden, nutzten die Forscher eine Technik namens Saliency Mapping, um zu sehen, auf welche Teile des Gebrühns der Computer sich genau konzentrierte. Stellen Sie sich dies als die Frage an den Computer vor, die spezifischen Pixel im Bild hervorzuheben, die für seine Entscheidung am wichtigsten waren. Die Ergebnisse zeigten ein klares und konsistentes Muster: Die linke Hemisphäre des Gehirns war weita viel stärker involviert als die rechte. Die signifikantesten strukturellen Veränderungen konzentrierten sich auf die Frontal- und Temporallappen der linken Seite – Bereiche, die als entscheidend für Sprache, soziale Interaktion und emotionale Regulierung bekannt sind. Während die rechte Gehirnhälfte einige Veränderungen zeigte, waren diese in wesentlich kleinerem Maßstab und weniger konsistent über die Gruppe hinweg.
Die Studie ging weiter, indem sie untersuchte, wie diese verschiedenen Hirnregionen zusammenarbeiten. Die Forscher analysierten, ob strukturelle Veränderungen in einem Bereich dazu neigten, gemeinsam mit Veränderungen in einem anderen aufzutreten, wodurch ein Netzwerk verbundener Veränderungen entstand. Sie fanden heraus, dass die am stärksten betroffenen Hirnregionen ein kohärentes System bilden, das mit bekannten funktionellen Netzwerken im Gehirn übereinstimmt. Insbesondere waren die Veränderungen im Default Mode Network (Ruhezustandsnetzwerk) am ausgeprägtesten, welches aktiv ist, wenn wir tagträumen oder über uns selbst nachdenken, sowie in den Aufmerksamkeitsnetzwerken, die uns helfen, uns auf die Welt um uns herum zu konzentrieren. Die Studie verknüpfte diese strukturellen Muster auch mit spezifischen Symptomen. Beispielsweise standen Variationen in den linken temporalen und parietalen Lappen mit Unterschieden in den Scores für Kommunikation und soziale Wahrnehmung in Verbindung, was darauf hindeutet, dass die physische Form dieser Bereiche direkt mit der Schwere der sozialen Herausforderungen einer Person zusammenhängt.
Einer der eindrucksvollsten Befunde war die Beziehung zwischen der Schwere der Störung und der Konsistenz dieser Veränderungen im Gehirn. Bei Personen mit hochgradigem Autismus waren die strukturellen Unterschiede über die linke Hemisphäre hinweg nicht zufällig; sie folgten einem proportionalen Muster, bei dem der Grad der Veränderung in einem Bereich mit dem Grad der Veränderung in anderen Bereichen verknüpft war. Dies deutet darauf hin, dass die Architektur des Gehirns in schweren Fällen auf eine koordinierte, systematische Weise verändert ist. Im Gegensatz dazu war diese proportionale Beziehung bei Personen mit geringerem Schweregrad und in der rechten Hemisphäre bei allen Probanden viel schwächer oder gar nicht vorhanden. Dies deutet darauf hin, dass die linke Gehirnhälfte die primäre strukturelle Last der Störung trägt und das Ausmaß dieser Last mit der Intensität der Symptome skaliert.
Die Forscher untersuchten auch, wie diese strukturellen Befunde mit dem Vergleich zu dem stehen, was über die Gehirnfunktion bekannt ist. Die Netzwerke, die sie identifizierten – wie das Default Mode Network und das Salience Network, das uns hilft zu entscheiden, worauf wir unsere Aufmerksamkeit richten sollen – sind dieselben Netzwerke, die bei Menschen mit Autismus eine andere Funktion zeigen, wenn sie aktiv sind. Dies ist eine entscheidende Entdeckung, da sie impliziert, dass die physische Struktur des Gehirns, die in einem Standard-Scan sichtbar ist, den Bauplan für diese funktionellen Unterschiede enthält. Es legt nahe, dass die Art und Weise, wie das Gehirn gebaut ist, dessen Funktionsweise bestimmen könnte und dass diese strukturellen Marker zuverlässig genug sind, um das Spektrum der Störung zu verstehen.
Durch die Konzentration auf die linke Hemisphäre und ihre spezifischen Netzwerke bietet diese Studie ein klareres Bild der biologischen Realität hinter der Vielfalt des Autismus. Sie geht über die Vorstellung einer einzelnen Ursache oder eines einzigen Gehirntyps hinaus und zeigt stattdessen ein Spektrum struktureller Variationen auf, die mit realen Symptomen korrelieren. Die Arbeit demonstriert, dass künstliche Intelligenz als eine leistungsstarke Linse fungieren kann, die Muster in komplexen Daten offenbart, die zuvor schwer zu erkennen waren. Obwohl die Studie keinen neuen Diagnosetest oder eine Heilung anbietet, liefert sie eine detaillierte Karte der strukturellen Landschaft des Gehirns bei Autismus und verknüpft die physische Form mit der funktionellen Konsequenz. Diese Karte hilft zu erklären, warum die Störung von Person zu Person so unterschiedlich aussieht, und bietet ein Fundament für die zukünftige Forschung darüber, wie diese strukturellen Unterschiede die einzigartigen Erfahrungen von Individuen auf dem Spektrum prägen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.