Gehirnscans zur Identifizierung von Autismus?

Neue Forschungsergebnisse legen nahe, dass es einen Tag geben kann, an dem Anomalien im Gehirn, die mit Autismus verbunden sind, mit Gehirnscans erkannt werden können.

Die Früherkennung dieser spezifischen Gehirnanomalien könnte zu einer verbesserten Diagnose und einem besseren Verständnis von Autismus-Spektrum-Störungen führen.

Die Entdeckung der mit Autismus verbundenen Biomarker war eine Herausforderung, oft weil Methoden, die bei einer Patientengruppe vielversprechend sind, bei der Anwendung auf eine andere fehlschlagen.

In einer neuen Studie berichten Wissenschaftler jedoch von einem neuen Grad an Erfolg. Ihr vorgeschlagener Biomarker arbeitete mit vergleichsweise hoher Genauigkeit bei der Beurteilung von zwei verschiedenen Gruppen von Erwachsenen.

Wissenschaftler entwickelten einen Computeralgorithmus namens „Klassifikator„Weil es Gruppen von Probanden - solche mit und ohne Autismus-Spektrum-Störung - anhand von Gehirnscans der funktionellen Magnetresonanztomographie (fMRT) klassifizieren kann.

Durch die Analyse von Tausenden von Verbindungen der Gehirnnetzwerkkonnektivität bei Dutzenden von Menschen mit und ohne Autismus fand die Software 16 wichtige interregionale funktionale Verbindungen, mit denen mit hoher Genauigkeit festgestellt werden konnte, bei wem traditionell Autismus diagnostiziert wurde und bei wem nicht.

Die Technologie wurde hauptsächlich am Advanced Telecommunications Research Institute International in Kyoto, Japan, mit wichtigen Beiträgen von drei Co-Autoren an der Brown University in Rhode Island entwickelt.

Die Forscher untersuchten 181 erwachsene Freiwillige an drei Standorten in Japan und wandten den Algorithmus dann auf eine Gruppe von 88 amerikanischen Erwachsenen an sieben Standorten an. Alle Freiwilligen der Studie mit Autismusdiagnosen hatten keine geistige Behinderung.

"Es ist die erste Studie, die einen Klassifikator [erfolgreich] auf eine völlig andere Kohorte anwendet", sagte die mitkorrespondierende Autorin Dr. Yuka Sasaki, wissenschaftliche Mitarbeiterin für kognitive, sprachliche und psychologische Wissenschaften bei Brown.

„Es gab bereits zahlreiche Versuche. Wir haben das Problem endlich überwunden. “

Der Klassifikator, der zwei Algorithmen für maschinelles Lernen kombiniert, funktionierte in jeder Population gut und erreichte bei den japanischen Freiwilligen eine durchschnittliche Genauigkeit von 85 Prozent und bei den Amerikanern eine Genauigkeit von 75 Prozent.

Die Forscher errechneten, dass die Wahrscheinlichkeit, diesen bevölkerungsübergreifenden Leistungsgrad rein zufällig zu sehen, 1,4 zu einer Million betrug.

Die Forscher validierten die Wirksamkeit des Klassifikators auf andere Weise, indem sie die Vorhersage einer Autismusdiagnose durch den Klassifikator mit der Hauptdiagnosemethode verglichen, die Klinikern derzeit zur Verfügung steht, dem Autism Diagnostic Observation Schedule (ADOS).

ADOS basiert nicht auf Markern der Biologie oder Physiologie, sondern auf ärztlichen Befragungen und Verhaltensbeobachtungen. Der Klassifikator konnte Scores für die ADOS-Kommunikationskomponente mit einer statistisch signifikanten Korrelation von 0,44 vorhersagen. Die Korrelation legt nahe, dass sich die 16 vom Klassifizierer identifizierten Verbindungen auf Attribute beziehen, die in ADOS von Bedeutung sind.

Die Forscher entdeckten dann, dass die Verbindungen mit einem Gehirnnetzwerk verbunden waren, das für Gehirnfunktionen wie die Anerkennung anderer Menschen, Gesichtsverarbeitung und emotionale Verarbeitung verantwortlich ist. Diese anatomische Ausrichtung steht im Einklang mit Symptomen, die mit Autismus-Spektrum-Störungen wie sozialen und emotionalen Wahrnehmungen verbunden sind.

Schließlich prüfte das Team, ob der Klassifikator die Ähnlichkeiten und Unterschiede zwischen Autismus-Spektrum-Störungen und anderen psychiatrischen Erkrankungen angemessen widerspiegelt.

Es ist beispielsweise bekannt, dass Autismus einige Ähnlichkeiten mit Schizophrenie aufweist, nicht jedoch mit Depressionen oder Aufmerksamkeitsdefizit-Hyperaktivitätsstörungen.

Bei Anwendung bei Patienten mit jeder dieser anderen Erkrankungen im Vergleich zu ähnlichen Personen ohne diese Bedingungen zeigte der Klassifikator eine mäßige, aber statistisch signifikante Genauigkeit bei der Unterscheidung von Schizophreniepatienten, jedoch nicht von Depressions- oder ADHS-Patienten.

Die zur Erfassung der Daten erforderlichen MRT-Untersuchungen waren einfach, sagte Sasaki. Die Probanden mussten nur etwa 10 Minuten in der Maschine verbringen und mussten keine speziellen Aufgaben ausführen. Sie mussten einfach still bleiben und sich ausruhen.

Trotz dieser Einfachheit und obwohl der Klassifikator in Bezug auf die Forschung eine beispiellose Leistung erbracht hat, ist er laut Sasaki noch nicht bereit, ein klinisches Instrument zu sein. Während die Zukunft diese Entwicklung bringen kann, werden zuerst Verbesserungen erforderlich sein.

"Die Genauigkeit muss viel höher sein", sagte Sasaki. "Achtzig Prozent Genauigkeit sind in der realen Welt möglicherweise nicht nützlich."

Es ist auch nicht klar, wie es bei Kindern funktionieren würde, da die Freiwilligen in dieser Studie alle Erwachsene waren.

Obwohl der Klassifikator nicht für die aktuelle Diagnose bereit ist, kann die Genauigkeit der Scans und Analysen nicht nur ein physiologiebasiertes Diagnosewerkzeug sein, sondern auch ein Ansatz zur Überwachung der Wirksamkeit der Behandlung.

Ärzte könnten das Tool vielleicht eines Tages verwenden, um zu überwachen, ob Therapien Veränderungen in der Gehirnkonnektivität hervorrufen, sagte Sasaki.

Die Forschung wird in der Zeitschrift veröffentlicht Naturkommunikation.

Quelle: Brown University