研究人员确定了儿童多动症的大脑标志物

导读 研究人员分析了近 8,000 名儿童的 MRI 检查数据,发现了注意力缺陷/多动障碍 (ADHD) 的生物标志物,以及神经影像机器学习在帮助该疾...

研究人员分析了近 8,000 名儿童的 MRI 检查数据,发现了注意力缺陷/多动障碍 (ADHD) 的生物标志物,以及神经影像机器学习在帮助该疾病的诊断、治疗计划和监测方面可能发挥的作用。新研究的结果将于下周在北美放射学会 (RSNA) 年会上公布。

根据疾病控制和预防中心的数据,多动症是儿童时期最常见的神经发育障碍之一,影响了大约 600 万 3 至 17 岁的儿童。

患有这种疾病的儿童可能难以集中注意力和控制冲动行为,或者他们可能过于活跃。诊断依赖于孩子的看护者完成的清单来评估 ADHD 症状的存在。

“需要一种更客观的方法来进行更有效、更可靠的诊断,”该研究的合著者、康涅狄格州纽黑文市耶鲁大学医学院的研究生研究员黄林说。“由于评估是主观的,ADHD 症状经常未被诊断或误诊。”

研究人员使用了来自青少年大脑认知发育 (ABCD) 研究的 MRI 数据,该研究是最大的大脑发育和儿童健康长期研究。ABCD 研究涉及来自全国 21 个中心的 11,878 名 9-10 岁儿童,以代表的社会人口多样性

“我们小组的人口统计数据反映了人口,使我们的结果在临床上适用于普通人群,”林说。

排除后,Lin 的研究组包括 7,805 名患者,其中 1,798 名被诊断患有 ADHD,所有患者均接受了结构 MRI 扫描、弥散张量成像和静息状态功能 MRI。研究人员对成像数据进行了统计分析,以确定 ADHD 与神经成像指标的关联,包括脑容量、表面积、白质完整性和功能连接性。

“我们发现我们调查的几乎所有大脑区域都发生了变化,”林说。“整个大脑的普遍性令人惊讶,因为许多先前的研究已经确定了大脑特定区域的变化。”

在患有注意力缺陷多动症的患者中,研究人员观察到涉及记忆处理和听觉处理的大脑网络连接异常,大脑皮层变薄,以及显着的白质微观结构变化,尤其是大脑额叶。

“额叶是大脑中控制冲动和注意力或缺乏注意力的区域——多动症的两个主要症状,”林说。

Lin 说 MRI 数据足够重要,可以用作机器学习模型的输入来预测 ADHD 诊断。机器学习是一种人工智能,可以分析大量 MRI 数据。

“我们的研究强调,多动症是一种神经系统疾病,在大脑中具有神经结构和功能表现,而不仅仅是一种纯粹的外化行为综合症,”她说。

林说,这项研究的人口水平数据提供了保证,即 MRI 生物标志物给出了大脑的可靠图像。

“有时当临床诊断有疑问时,客观的脑部MRI 扫描可以帮助清楚地识别受影响的儿童,”林说。“客观的 MRI 生物标志物可用于 ADHD 诊断、治疗计划和治疗监测的决策制定。”

高级作者 Sam Payabvash 医学博士是耶鲁大学医学院的神经放射学家和放射学助理教授,他指出,最近的试验报告了 ADHD 儿童对治疗反应的微观结构变化。

“我们的研究提供了新颖的多模态神经影像生物标志物作为这些儿童的潜在治疗靶点,”他说。

研究的共同作者是 Stefan Haider、Clara Weber 和 Simone Kaltenhauser。

免责声明:本文由用户上传,如有侵权请联系删除!

猜你喜欢

最新文章