Nghiên Cứu So Sánh Đồ Thị Synolitic và Các Phương Pháp Truyền Thống trong Phân Loại Tự Kỷ Sử Dụng fMRI Trạng Thái Nghỉ
Nghiên Cứu Mới Đánh Giá Đồ Thị Synolitic trong Phát Hiện Tự Kỷ
Một nghiên cứu gần đây đã khảo sát hiệu quả của đồ thị synolitic (SGs), một phương pháp phân tích kết nối não mới, trong việc phân loại rối loạn phổ tự kỷ (ASD) dựa trên dữ liệu fMRI trạng thái nghỉ. Nghiên cứu sử dụng bộ dữ liệu đa địa điểm lớn và so sánh SGs với các phương pháp kết nối đã được thiết lập, cung cấp những hiểu biết quan trọng về hiệu suất tương đối của chúng trong phân loại ASD.
Thiết Kế và Phương Pháp Nghiên Cứu
Nghiên cứu phân tích các bản quét fMRI trạng thái nghỉ từ bộ dữ liệu ABIDE-I, bao gồm 871 người tham gia tại 17 địa điểm—403 người được chẩn đoán ASD và 468 người phát triển bình thường. Các nhà nghiên cứu áp dụng atlas não CC200 để xác định các vùng quan tâm và sử dụng phương pháp kiểm tra chéo 5 lần lặp lại 10 lần để đánh giá độ chính xác phân loại. Độ chính xác cân bằng là chỉ số chính, phản ánh hiệu suất trên cả hai nhóm.
Đồ thị synolitic, ban đầu được phát triển cho fMRI dựa trên nhiệm vụ và thiết kế để mã hóa sức mạnh phân biệt của các đặc trưng cặp vùng như trọng số cạnh, được thử nghiệm để xác định xem chúng có thể nắm bắt thông tin có ý nghĩa từ dữ liệu trạng thái nghỉ hay không. Hiệu suất của chúng được so sánh với tám mô hình cơ bản, bao gồm ma trận tương quan, kết nối không gian tiếp tuyến, và các bộ phân loại máy học như hồi quy logistic elastic net, máy vector hỗ trợ (SVM), và XGBoost.
Phát Hiện Chính
Phương pháp ma trận tương quan vector hóa đạt độ chính xác cân bằng cao nhất là 67,9% (diện tích dưới đường cong [AUC] = 0,743), theo sát là mô hình kết hợp với 68,0% (AUC = 0,744). Ngược lại, đồ thị synolitic đạt độ chính xác cân bằng 57,0% (AUC = 0,598), cao hơn ngẫu nhiên về mặt thống kê nhưng thấp hơn đáng kể so với các phương pháp dựa trên tương quan.
Sau khi điều chỉnh các biến đồng biến, các mô hình dựa trên tương quan duy trì độ chính xác cân bằng từ 66,9% đến 67,1%, trong khi SGs giảm xuống còn 55,6%. Thêm vào đó, kiểm tra rời khỏi một địa điểm (leave-one-site-out), nhằm đánh giá khả năng tổng quát hóa qua các địa điểm thu thập dữ liệu khác nhau, cho thấy mô hình dựa trên tương quan đạt khoảng 66,0-66,2%, còn SGs khoảng 55,0%, với tất cả các mô hình đều giảm nhẹ hiệu suất so với kiểm tra chéo tiêu chuẩn.
Hơn nữa, thứ hạng các vùng quan tâm (ROI) dựa trên SGs được phát hiện không ổn định, và các nỗ lực dự đoán mức độ nghiêm trọng của tự kỷ sử dụng Thang Đánh Giá Quan Sát Chẩn Đoán Tự Kỷ (ADOS) trên 193 người ASD không đạt kết luận do hạn chế về sức mạnh thống kê.
Ý Nghĩa Đối Với Nghiên Cứu Tự Kỷ và Thực Hành Lâm Sàng
Nghiên cứu này nhấn mạnh rằng các phép đo kết nối truyền thống, như ma trận tương quan, vượt trội hơn đồ thị synolitic khi áp dụng cho dữ liệu fMRI trạng thái nghỉ trong phân loại ASD. Điều này trái ngược với các báo cáo trước đây cho thấy ưu điểm của SGs trong bối cảnh fMRI dựa trên nhiệm vụ.
Quan trọng là, không phương pháp nào được đánh giá đạt mức độ chính xác đủ để sử dụng độc lập trong sàng lọc hoặc chẩn đoán lâm sàng tự kỷ. Các tác giả nhấn mạnh rằng kết quả của họ nhằm làm chuẩn mực phương pháp luận hơn là xác nhận một công cụ lâm sàng.
Hạn Chế và Hướng Phát Triển Tương Lai
Nghiên cứu làm nổi bật những thách thức trong việc phát triển các dấu ấn sinh học hình ảnh thần kinh đáng tin cậy cho ASD, đặc biệt khi có sự biến đổi giữa các bộ dữ liệu đa địa điểm và sự phức tạp của hoạt động não trạng thái nghỉ. Sự không ổn định trong thứ hạng ROI dựa trên SGs và kết quả dự đoán mức độ nghiêm trọng chưa rõ ràng cho thấy cần phải tinh chỉnh thêm và mở rộng bộ dữ liệu để cải thiện các phương pháp phân loại.
Tổng thể, mặc dù đồ thị synolitic thể hiện tiềm năng trong một số ứng dụng fMRI, nhưng khả năng ứng dụng của chúng trong phân loại tự kỷ trạng thái nghỉ bị hạn chế so với các phương pháp truyền thống.
Để biết thông tin chi tiết hơn, xem nghiên cứu gốc được xuất bản trên Diagnostics: Đánh Giá Đồ Thị Synolitic cho Phân Loại Tự Kỷ từ fMRI Trạng Thái Nghỉ Đa Địa Điểm.
Tải Xuống Hình Ảnh Trong Bài Viết Này
