Как объяснимый машинный дефект в рамках ЕвГ показывает различия в прагматической обработке у детей с аутизмом

Введение

Нарушение прагматической обработки является одним из основных признаков аутистического спектрального расстройства (ASD). Несмотря на значительный прогресс в изучении когнитивных дефицитов, связанных с ASD, нейронные механизмы, лежащие в основе прагматического дефицита, до сих пор не полностью раскрыты в рамках системной теоретической рамки ex‑planable machine learning (ML). Традиционные исследования, как правило, сосредоточены на отдельных компонентах ERP (событийно-специфических потенциалов), и поэтому не могут полностью уловить временную организацию прагматического понимания.

Контекст и мотивы исследования

Прагматическая обработка – это сложный процесс интерпретации смысла в конкретных дискурсивных контекстах, требующий быстрой интеграции лингвистических, когнитивных и социал-поведенческих данных. У детей с ASD этот процесс часто нарушен, что приводит к трудностям в межличностном общении и социальном взаимодействии. Для того чтобы разработать объективные биомаркеры, способные выделятьASD-специфические паттерны активности головного мозга, необходимо использовать подходы, которые могут обработать сложную многомерную динамику ЕвГ-сигналов.

• Почему один этап ERP не достаточен – Состав компонента, например P600 или N400, может быть изменен у людей с ASD, но этот измеритель не отражает полную временную картину активности головного мозга.
• Потребность во временной специфике – Прагматическое понимание развивается на протяжении длительных периодов времени (десятки миллисекунд до нескольких сотен миллисекунд). Модели, учитывающие эту временную структуру, могут отражать более тонкие особенности, которые невидимы для традиционных единичных компонентных анализов.
• Объяснимый машинный дефект – Подход, основанный на теоретической конструкции признаков с возможностью интерпретации, позволяет исследователям (а) выделить нейронные признаки, относящиеся к задаче, и (b) увидеть, какие временные окна и какие области головного мозга вносят наибольший вклад в классификацию между группами.

Методы и материалы

Участники

В исследовании приняли участие 103 ребенка с ASD и 107 нормально развивающихся сверстников (возраст 4–10 лет). ЕвГ-данные были собраны во время задания на сопоставление контекстных предложений, которое активирует прагматическую переработку смысла.

Процедура сбора данных

Участники прослушивали аудио-стимулы, содержащие простые предложения, которые либо соответствовали, либо противоречили имплицитному контексту, создавая тем самым прагматическую нагрузку. Электроэнцефалограмма (EEG) записывалась с 64 каналов (фронто-темпорально-задних электродов) с частотой дискретизации 500 Гц. Постобработка включала фильтрацию (0,1–30 Гц), устранение артефактов (ICA) и выравнивание по событиям.

Конструкция нейронных признаков

Для каждого ребенка были рассчитаны пересекающиеся показатели по временным окнам (по 50 мс) и ROI (регионам интересов) с использованием стандартной нейронавигационной системы 10–10. Это привело к созданию многомерного пространства признаков, отражающего как время, так и пространственную локализацию активности головного мозга.

Алгоритм классификации

Для различения двух групп использовалась логистическая регрессия с L2-регуляризацией, внедренная в рамках вложенной кросс-валидации (5-кратная внешняя валидация с 10-кратной внутренней валидацией). Для интерпретации缺陷 дефекта после обучения использовалась техника Haul‑transformed pattern analysis, которая выделяет вклад каждого признака в общее решение классификатора.

Стабильность и дополнительные проверки

• Для оценки стабильности использовался бутстреп-анализ (1000 итераций), чтобы измерить вариабельность Haul‑паттернов.
• Временные и аналитические проверки (например, перемешивание меток, замена возрастных эффектов) подтвердили специфичность наблюдаемых паттернов для различий между группами.

Результаты

Основная классификация

Обученный классификатор продемонстрировал умеренную, но статистически значимую (> шанс) способность различать участников из ASD-группы и КР-группы (AUC = 0,652, эмпирический p = 0,001). Этот результат подтверждает наличие *внутриобразцового* евГ-сигнала, который, хотя и является умеренным, вносит вклад в разделение групп.

Haul‑преобразованный анализ паттернов

Анализ Haul‑преобразованных паттернов показал **неравномерное распределение** евГ-специфичной информации по времени и scalp ROI

• Ранний диапазон (0–300 мс): наибольшие средние абсолютные значения Haul‑паттернов были обнаружены над **височной областью коры**, что предполагает раннюю обработку семантических подсказок.
• Средний диапазон (300–600 мс): умеренная концентрация признаков в **фронтоцентральной ROI**, указывая на связанные с рабочей памятью процессы интеграции контекста.
• Поздний диапазон (>600 мс): вклад в основном поступал из **темпора-задних областей**, что отражает процессы мониторинга и коррекции.

Корреляционный анализ поведения

В подгруппе ASD противоположные связи были обнаружены между ранними/поздними временными признаками и уровнем receptive vocabulary: сильные ранние Haul‑паттерны коррелировали с более низким словарным запасом, тогда как поздние паттерны коррелировали с лучшими речевыми способностями, что указывает на компромиссную динамику развития.

Перекрестная проверка эффективности признаков

Повторная кросс-валидация, в которой к возрасту добавлялись евГ-признаки, показала лишь *ограниченное* улучшение производительности (Δ AUC ≈ 0,03), что указывает на то, что текущие евГ-признаки вносят лишь частичный дополнительный вклад в оценку прагматической способности, помимо обычных демографических факторов.

Обсуждение

Главное открытие заключается в том, что **модели с объяснимыми выводами могут раскрыть временную топографию евГ-сигналов, которая является малоизвестной традиционными ERP-анализами**. Обнаруженная неравномерность – ранний вклад темпоральной области, связанный с семаническим анализом, и поздний вклад темпора-задних областей, связанный с контролем – согласуется с двусторонними моделями прагматической обработки, в которых параллельно осуществляются быстрые предвосхищающие прогнозы и медленные рефлексивные обновления.

• **Теоретические последствия** – Найденные паттерны поддерживают модель «двухстадийной прагматической обработки», в которой быстрые предвосхищающие прогнозы (сохраняющиеся в раннем диапазоне) взаимодействуют с более медленными, более декларативными процессами (поздние диапазоны). Это согласуется с современной теорией предвосхищающих процессов.
• **Клиническое значение** – Даже умеренная discriminability подчеркивает потенциальную роль объективных биомаркиров (например, ЕвГ-отметки времени, пространственно-временные конфигурации) в стратификации ASD, которая может в будущем быть использована для персонализированного вмешательства.
• **Ограничения** – Внутриобразцовое разделение является умеренным, что ограничивает применимость диагностических инструментов. Требуется replication в независимых когортных выборках, а также внедрение более богатых задач, которые активируют более разнообразные прагматические процессы.

Будущие направления

Последующие исследования должны сосредоточиться на следующем:

1. Использование *deep learning* архитектур, которые могут автоматически моделировать временные зависимости (например, рекуррентные или преобразовательные сетевые модели) с использованием методов объяснимого ИИ для интерпретации.
2. Интеграция мультимодальных данных (например, fMRI, гормонов) для создания комплексных предиктивных моделей.
3. Долгосрочная лонгитюдная следящая дизайн для оценки прогнозной ценности выявленных евГ-сигнатур для последующего развития языковых и социальных навыков.

Заключение

Настоящее исследование демонстрирует, как теоретически обоснованный дефект с объяснимыми выводами, основанный на ЕвГ, может выделить **временную структуру евГ-различий**, отличающих детей с ASD от нормально развивающихся сверстников во время прагматической обработки. Результаты предоставляют более детальное нейронное описание прагматического нарушения, открывают новые возможности для интерпретации механистических путей и создают основу для дальнейшего развития объяснимых AI-инструментов для нейropsychology ASD.

Ключевые идеи для практиков: ранние темпоральные ЕвГ-сигналы могут служить биомаркером раннего semantic processing дефицита у детей с ASD; поздние темпора-задние сигналы могут отражать компенсаторные механизмы, которые могут быть поддержаны целенаправленным языковым вмешательством.

Раскрытие информации и благодарности

Авторы благодарят всех детей и их семьи, школы и сотрудничающие учреждения за сбор данных. Финансовая поддержка была предоставлена Национальным фондом социальной науки Китая (грант 25CYY083). Не сообщалось о конфликтах интересов.

Ссылки

(Здесь будут перечислены соответствующие ссылки в соответствии со стилем журнала.)

Дополнительные материалы

Электронное дополнение, содержащее детальные таблицы признаков, критерии качества евГ-собираемых данных и дополнительные анализы, доступно в формате DOCX.