En dyb læringsalgoritmeplatform til at forudsige autismediagnose og undertyper

På grund af den høje prævalens (1 % i Taiwan), langvarig svækkelse, uklare ætiologier og mangel på effektiv påvisning, forebyggelse og biologisk behandling, er autismespektrumforstyrrelser (ASD) blevet prioriteret til forskning i biomarkører, mekanismer og behandling. . For nylig har det vist sig, at tarm-hjerne-aksen, hovedsageligt med dyremodeller, er ændret ved psykiatriske lidelser og især ved ASD. Med PI Gaus langsigtede præstation inden for ASD multidimensionel forskning og vores foreløbige fund af ændret tarmmikrobiota i ASD og deres upåvirkede søskende, foreslår vi dette 4-årige prospektive storskalastudie med søskendedesign og multidimensionelle mål (miljø, klinisk, kognitiv, billeddannelse, tarmmikrobiom, metabolom) for at etablere en dyb læringsalgoritmeplatform til at forudsige ASD og søge efter potentielle biomarkører og probiotisk behandling for ASD.

Specifikke mål:

1. At demonstrere metagenomics profilanalyse baseret på tarmmikrobiomet og metabolomet hos ASD-patienter, upåvirkede søskende og typisk udviklende kontroller (TDC).
2. At undersøge miljøfaktorer såsom graviditet og fødselshistorie fra moderens lægejournaler og interviews eller nationale sygesikringsdata for mikrobiomet, metagenomikken og hjernens anatomi og funktion.
3. At udvikle en dyb læringsalgoritmeplatform ved hjælp af de miljømæssige, adfærdsmæssige/kliniske fænotyper, neurokognitive/billeddannende endofænotyper og metagenomiske profiler til at identificere mikrobiota (også metagenomics) skabere og andre prædiktorer for ASD-diagnose, undertyper og niveau af svækkelse.
4. At etablere en webapplikation baseret på vores deep learning-algoritmeplatform til klinisk brug for at hjælpe læger med at diagnosticere ASD.