Descripteurs basés sur la surface corticale pour la classification de l'autisme chez l'enfant utilisant une reconstruction corticale guidée par segmentation à partir de l'IRMsCortical surface-based descriptors for childhood autism classification using segmentation-guided cortical reconstruction from sMRI.
Ce que l’article étudie
Troubles et conditions neurodéveloppementales
Confiance élevéeProfils et populations d’intérêt
Confiance moyennePopulation et étape de vie
Confiance élevéeÉvaluation, intervention et accompagnement
Confiance moyenneType et statut de la publication
Confiance élevéeLimites méthodologiques repérées
Confiance moyenneL'article porte explicitement sur la classification de l'autisme (trouble du spectre autistique) chez l'enfant à partir de données d'IRM structurale, avec une population ASD et témoins.
- L'étude utilise des données sMRI de l'ABIDE-II pour classer l'autisme chez l'enfant.
- La reconstruction corticale guidée par segmentation a extrait 414 caractéristiques structurales par participant.
- Le perceptron multicouche a atteint 69,4 % de précision et 72,6 % d'AUC.
Étude originale bien menée sur la classification de l'autisme par machine learning, apportant des données sur les biomarqueurs corticaux. La précision modeste limite l'impact clinique immédiat, mais le sujet est très pertinent pour la veille en neurodéveloppement.
La précision de classification reste modeste (69,4 %), limitant l'applicabilité clinique directe. L'étude est basée sur une seule base de données (ABIDE-II), ce qui peut limiter la généralisation. Seules les caractéristiques sMRI ont été utilisées, sans intégration multimodale.
Cette étude a exploré un cadre de classification basé sur des caractéristiques d'IRM structurale (sMRI) guidées par segmentation pour l'analyse de l'autisme chez l'enfant. À partir des données pédiatriques T1 pondérées de la base ABIDE-II, des caractéristiques corticales (volume, épaisseur, surface, courbure, indice de plissement) ont été extraites après reconstruction corticale avec FreeSurfer. Un vecteur de 414 dimensions par participant a été analysé par sélection de caractéristiques (mRMR) et classification par machine learning (SVM, forêt aléatoire, k-plus proches voisins, perceptron multicouche). Le perceptron multicouche a obtenu une précision de 69,4 % et une AUC de 72,6 % pour différencier les enfants autistes des témoins.
L'étude utilise des données sMRI de l'ABIDE-II pour classer l'autisme chez l'enfant. La reconstruction corticale guidée par segmentation a extrait 414 caractéristiques structurales par participant. Le perceptron multicouche a atteint 69,4 % de précision et 72,6 % d'AUC. Les caractéristiques corticales (volume, épaisseur, surface, courbure) soutiennent la classification ASD versus témoins.
Les descripteurs corticaux issus de l'IRM structurale pourraient aider au diagnostic assisté par ordinateur de l'autisme chez l'enfant. Une précision modeste (≈70 %) suggère que ces biomarqueurs devraient être combinés à d'autres modalités pour un usage clinique.
Modéré