大队列

从自闭症成像生物标志物挑战中获得的见解

摘要 MRI 已被广泛用于识别自闭症谱系障碍 (ASD) 的解剖和功能差异。然而，许多这些发现已被证明难以复制，因为研究依赖于小规模的队列，并且建立在许多复杂、未公开的分析选择之上。我们进行了一项国际挑战，以根据 MRI 数据预测 ASD 诊断，我们提供了来自 2,000 多人的预处理解剖和功能 MRI 数据。对预测的评估是严格盲测的。146 名挑战者提交了预测算法，这些算法在挑战结束时使用未见数据和额外的采集站点进行了评估。对于最佳算法，我们研究了 MRI 模式、大脑区域和样本量的重要性。我们发现证据表明 MRI 可以预测 ASD 诊断：10 个最佳算法可靠地预测了诊断，AUC~0.80 - 远远优于目前使用 20 倍大队列中的基因分型数据可以获得的结果。我们观察到功能性 MRI 对预测比解剖性 MRI 更重要，并且增加样本量可以稳步提高预测准确性，从而为改进生物标志物提供了一种有效的策略。我们还观察到，尽管有强烈的动机将其推广到看不见的数据，但给定数据集上的模型开发面临着过度拟合的风险：在现有数据的交叉验证中表现良好，但不能推广。最后，我们能够在挑战结束后添加的外部样本 (EU-AIMS) 上预测 ASD 诊断，尽管预测准确性较低 (AUC=0.72)。这表明，尽管基于大型多站点队列，但我们的挑战仍然产生了在数据集变化面前脆弱的生物标志物。