Célkitűzés
A neuroimaging-genetikai területeken átívelő multimodális adatok integrálása javíthatja a felnőtt ADHD diagnosztikáját és megértését. A legtöbb tanulmány azonban csak gépi tanulással végzett osztályozásra koncentrált, nem adva részletes magyarázatot az egyes modalitásokban azonosított biomarkerek vagy a multimodális adatok közötti kapcsolatok jelentésére.
Módszer
247 felnőtt ADHD-s és 237 kontrolltól gyűjtöttünk MRI- és genomikai adatokat, majd Edge-Variational Graph Convolutional Network segítségével fuzionált jellemzőket tanítottunk. A felnőtt ADHD-hoz hozzájáruló funkcionális kapcsolatokat (FC) és egynukleotid-polimorfizmusokat (SNP-k) érzékenységi elemzéssel azonosítottuk, klinikai korrelációk számításával validáltuk. Az alkalmazott későbbi asszociációs elemzések feltárták a jelentős képalkotó eltérésekhez kapcsolódó genetikai komponenseket.
Eredmények
A modell pontossága 73,55% (AUC: 0,791) volt. A legjelentősebb FC-k a limbikus és az alapértelmezett mód hálózatban helyezkedtek el; ezek között a jobb precuneus (PCun) és a parahippokampális tekervény közötti FC korrelált az ADHD-tünetekkel. A jobb PCun központi csomópontja topológiai tulajdonságai révén a hiperaktivitással/impulzivitással és a végrehajtó funkciókkal mutatott összefüggést. A csomópont csökkent FC-je a HDAC9 genetikai változatával és a COL19A1 expressziós profiljával állt kapcsolatban.
Következtetések
Az eredmények kiemelik a multimodális gráf-konvolúciós hálózat hatékonyságát és értelmezhetőségét a felnőtt ADHD elkülönítésében. A jobb PCun funkcionális eltérései és kapcsolódó genetikai profiljai fontosak lehetnek a felnőtt ADHD idegrendszeri hátterében.