趙小虎，葛曼玲，陳盛華*，王磊，宋子博，謝沖，楊澤坤

作者單位：1.河北工業(yè)大學(xué)省部共建電工裝備可靠性與智能化國家重點(diǎn)實(shí)驗(yàn)室，天津300130；2.河北工業(yè)大學(xué)河北省電磁場與電器可靠性重點(diǎn)實(shí)驗(yàn)室，天津300130；3.廊坊職業(yè)技術(shù)學(xué)院，廊坊065001

自閉癥又稱自閉癥譜系障礙(autism spectrum disorders，ASD)是一種由多類不同原因所引發(fā)的神經(jīng)發(fā)育性障礙[1]，其主要癥狀表現(xiàn)在社會交流障礙、刻板行為、情感缺陷等方面，會造成患者在日常生活、交流和學(xué)習(xí)中障礙[2，3]。通過臨床對照研究發(fā)現(xiàn)：ASD 早期準(zhǔn)確檢測和及時干預(yù)能夠很大程度上改善患者的語言能力、認(rèn)知能力以及行為習(xí)慣。因此，ASD識別工作意義重大[4-6]。

近些年來，利用靜息態(tài)功能磁共振成像(resting-state functional magnetic resonance imaging，rs-fMRI)技術(shù)[7]在自閉癥患者的臨床早期檢測研究中越來越突出，該技術(shù)以其無創(chuàng)、快捷、高空間分辨率以及良好的患者適應(yīng)性等成為腦功能影像學(xué)研究的先進(jìn)手段。其中，基于相關(guān)性的功能連接(rs-fMRI functional connection，rs-fMRI-FC)為評估腦功能提供了科學(xué)的檢測指標(biāo)。例如：以健康人大腦功能影像為對照，通過提取自閉癥患者功能腦影像學(xué)標(biāo)記，利用rs-fMRI-FC 定位自閉癥患者功能異常的腦區(qū)，以此來對自閉癥患者早期檢測提供輔助依據(jù)[8]。但是，傳統(tǒng)的功能連接計算處于低階運(yùn)算水準(zhǔn)，無法表達(dá)腦功能之間交互信息，影響了評估精準(zhǔn)性。

隨著網(wǎng)絡(luò)拓?fù)浼夹g(shù)的發(fā)展，腦網(wǎng)絡(luò)概念被越來越多的科學(xué)家所重視。它能夠從腦連接層面刻畫大腦功能的交互，是高階功能連接計算[9]。通過對大腦功能網(wǎng)絡(luò)的拓?fù)鋵傩宰兓瘉硌芯磕X區(qū)之間信息傳遞異常，能夠高效地挖掘發(fā)生腦功能特異性改變的腦區(qū)，從網(wǎng)絡(luò)這一高級層面輔助檢測患者。但現(xiàn)階段，利用fMRI數(shù)據(jù)構(gòu)建腦功能網(wǎng)絡(luò)并結(jié)合機(jī)器學(xué)習(xí)算法在腦疾病的早期研究檢測中，大多通過提取腦網(wǎng)絡(luò)單一拓?fù)渲笜?biāo)分析識別腦疾病[10，11]。然而，腦網(wǎng)絡(luò)單一拓?fù)鋵傩詢H僅只是針對大腦網(wǎng)絡(luò)某一個方面的描述，未能夠充分考慮到多個大腦區(qū)域之間的拓?fù)浣Y(jié)構(gòu)信息，很難有針對性地給出全面的描述。所以，識別效果很難被大幅度地改善。

特征融合是機(jī)器學(xué)習(xí)中的先進(jìn)技術(shù)，常常被用于腦疾病的研究中，例如對提取的特征向量采用串聯(lián)的方式進(jìn)行融合研究[12，13]。但是，這種方法尚未在ASD 中進(jìn)行過測試。此外，這種首尾串聯(lián)融合的方法，由于每個特征對整體的貢獻(xiàn)不同，僅靠簡單的串聯(lián)融合進(jìn)行分類精度可能不高。

針對上述問題，我們提出特征加權(quán)融合的方法，將其應(yīng)用于rs-fMRI 數(shù)據(jù)在自閉癥患者腦功能網(wǎng)絡(luò)研究中，試圖通過融合多種網(wǎng)絡(luò)特征將fMRI-FC計算水準(zhǔn)提到高階。為此，我們以健康人數(shù)據(jù)為對照，設(shè)計了一種網(wǎng)絡(luò)特征加權(quán)融合的自閉癥檢測方法，將不同的腦網(wǎng)絡(luò)拓?fù)渲笜?biāo)進(jìn)行加權(quán)融合，使得分類器所得到的腦網(wǎng)絡(luò)信息更加全面。并借助機(jī)器學(xué)習(xí)方法驗(yàn)證其在自閉癥患者檢測中的優(yōu)勢，為rs-fMRI檢測自閉癥提供了一種新方法。

本文的主要貢獻(xiàn)包括：(1)利用自閉癥和健康被試的rs-fMRI數(shù)據(jù)，通過偏相關(guān)構(gòu)建低階功能連接矩陣FC 來反映不同腦區(qū)之間功能連通性；(2)在此基礎(chǔ)上通過構(gòu)建多稀疏度關(guān)聯(lián)矩陣來建立腦網(wǎng)絡(luò)，從高階水平上分析大腦功能，并采用以稀疏度為橫軸，取特征值曲線下面積(area under the curve，AUC)來表征網(wǎng)絡(luò)屬性在連續(xù)稀疏度下的整體特征；(3)選取網(wǎng)絡(luò)中4種常用局部節(jié)點(diǎn)指標(biāo)，將其分類準(zhǔn)確率所占的比重作為權(quán)重系數(shù)進(jìn)行特征融合，以此構(gòu)建特征向量，輸入到支持向量機(jī)中分類并進(jìn)行交叉驗(yàn)證以檢驗(yàn)融合效果。最后，分別與單一特征分類效果和傳統(tǒng)特征融合比較，以說明加權(quán)特征融合的優(yōu)越性。本文的研究思路如圖1所示。

圖1 本文研究方法的流程圖Fig.1 Study Flowchart

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)采集與處理

數(shù)據(jù)來源于國際神經(jīng)影像數(shù)據(jù)共享倡議組織(International Neuroimaging Datasharing Initiative, INDI)分享的公開數(shù)據(jù)集ABIDE I (http://fcon_1000. projects. nitrc. org/indi/abide/abide_I.html)。本文從中選取了TRINITY實(shí)驗(yàn)中心數(shù)據(jù)，該數(shù)據(jù)包括24 例ASD 患者組(12.0～25.9 歲男性青少年)以及25 例正常對照組(normal control，NC)數(shù)據(jù)(12.0～25.7 歲男性青少年)。各組納入標(biāo)準(zhǔn)如下：(1) ASD組：右利手的男性青少年；滿足自閉癥診斷觀察量表(Autism Diagnostic Observation Schedule,ADOS)上的ASD自閉癥判別標(biāo)準(zhǔn)。(2) NC組：右利手的男性青少年，年齡和智商與ASD 組相匹配；沒有任何精神遺傳疾病，包括閱讀障礙或使用障礙；沒有被診斷為ASD的一級親屬的存在；社會反應(yīng)量表分?jǐn)?shù)低于50 分或社會交流問卷分?jǐn)?shù)低于10 分。所有ASD 患者和健康對照者都是通過相關(guān)的遺傳學(xué)研究計劃、臨床服務(wù)、學(xué)校和倡導(dǎo)團(tuán)體所招募的，并且獲得圣詹姆斯醫(yī)院和Linn Dara CAMHS倫理委員會的道德認(rèn)可，所有參與者及其父母都獲得書面知情同意。所有ASD患者和健康對照者排除標(biāo)準(zhǔn)包括：(1)通過韋氏智力量表評估智商小于70；(2)患有神經(jīng)病學(xué)、精神病學(xué)或遺傳病史；(3)具有MRI 禁忌證；(4)當(dāng)前使用精神藥物。靜息態(tài)磁共振數(shù)據(jù)采集是在都柏林圣詹姆斯醫(yī)院高級醫(yī)學(xué)成像中心(Centre for Advanced Medical Imaging，CAMI)的Philips 3 T Achieva MRI 掃描儀上完成。受試者在圖像采集過程中仰臥在fMRI 掃描儀中，閉上眼睛休息五分鐘并盡可能保持靜止。掃描參數(shù)具體為：層數(shù)38 層，TR 2000 ms，TE 28 ms，切片厚度3.5 mm，視野范圍(FOV)為240 mm×240 mm，翻轉(zhuǎn)角90°，共采集150個時間點(diǎn)。

使用DPARSF_V5.1[14](Data Processing Assistant for Resting-State fMRI)工具包對fMRI 圖像數(shù)據(jù)進(jìn)行預(yù)處理，具體的步驟包括：(1)將每位實(shí)驗(yàn)被試采集的前5 個時間點(diǎn)刪除，以排除掃描前期的不穩(wěn)定因素，使信號更加穩(wěn)定；(2)進(jìn)行時間層校正，以保證每個Volume內(nèi)所有體素獲取的時間在理論上一致；(3)去除頭動偽影的影響；(4)將圖像配準(zhǔn)至蒙特利爾神經(jīng)研究所的標(biāo)準(zhǔn)空間，然后進(jìn)行3 mm×3 mm×3 mm 重采樣；(5)進(jìn)行帶通濾波以減少低頻漂移和高頻生理噪聲的影響；(6)回歸干擾信號；(7)采用4 mm 半高全寬的高斯濾波器對圖像進(jìn)行空間平滑，以減小空間噪聲。

1.2 腦功能網(wǎng)絡(luò)構(gòu)建

1.2.1 節(jié)點(diǎn)的定義

將預(yù)處理后數(shù)據(jù)使用自動解剖標(biāo)記(automated anatomical labeling atlas，AAL，第1 版)圖譜[15]將除小腦外的整個大腦皮層劃分為90 個解剖區(qū)域(AAL-90)。將每個腦區(qū)定義成網(wǎng)絡(luò)中的一個節(jié)點(diǎn)，對應(yīng)值為節(jié)點(diǎn)值。通過計算每個腦區(qū)所處坐標(biāo)范圍內(nèi)所有體素的血氧水平依賴信號的算術(shù)平均值來作為這個腦區(qū)(網(wǎng)絡(luò)中的節(jié)點(diǎn))的節(jié)點(diǎn)值。

1.2.2 邊的定義

偏相關(guān)指只考慮兩個變量之間的相關(guān)性，排除其他相關(guān)因素的干擾[16]。在腦網(wǎng)絡(luò)的構(gòu)建中，指忽略其他腦區(qū)的影響，只考慮兩個腦區(qū)信號之間的相關(guān)性，因此，又稱凈相關(guān)分析[17]。

本文主要采用相關(guān)矩陣求逆法計算任意兩腦區(qū)之間的偏相關(guān)值。首先，求得相關(guān)矩陣：

將任意兩個腦區(qū)的偏相關(guān)系數(shù)值作為腦功能網(wǎng)絡(luò)邊，得到一個90×90 對稱矩陣，對每個被試進(jìn)行Fisher-r到Fisher-z轉(zhuǎn)化，獲得更接近正態(tài)分布的時間序列[18]。

1.3 網(wǎng)絡(luò)分析

1.3.1 稀疏度選擇

為了驗(yàn)證腦功能連接矩陣的拓?fù)涮匦裕褂孟∈瓒葋砼懦肼曉?，連通性稀疏度s (即現(xiàn)有邊與網(wǎng)絡(luò)中最大可能邊數(shù)的比率)被用作閾值度量，以確保所有被試網(wǎng)絡(luò)節(jié)點(diǎn)和邊數(shù)相同。本文選取閾值s 在0.05～0.50，步長選為0.05。 然后，通過GRETNA_V2.0 網(wǎng)絡(luò)分析工具包[19]在MATLAB 環(huán)境下計算每個稀疏度閾值下網(wǎng)絡(luò)指標(biāo)。為了衡量網(wǎng)絡(luò)屬性在連續(xù)稀疏度下整體特征，本研究以稀疏度為橫軸，特征值為縱軸構(gòu)建坐標(biāo)系，用對應(yīng)的10 個稀疏度下特征值做曲線，計算每個屬性曲線下的面積AUC 值，用于后續(xù)分析[20-21]。AUC為大腦功能連接拓?fù)涮峁┝丝傮w上的標(biāo)量信息，使其不受單一閾值選擇的影響。

1.3.2 網(wǎng)絡(luò)指標(biāo)

腦功能網(wǎng)絡(luò)拓?fù)鋵傩苑N類繁多，分為局部屬性和全局屬性兩種網(wǎng)絡(luò)特征。通常，腦功能網(wǎng)絡(luò)節(jié)點(diǎn)特征由局部屬性體現(xiàn)。目前對精神疾病的腦網(wǎng)絡(luò)屬性研究多以網(wǎng)絡(luò)中節(jié)點(diǎn)度、聚類系數(shù)、節(jié)點(diǎn)效率和節(jié)點(diǎn)局部系數(shù)為主[22，23]，因此，本文選用上述4個局部節(jié)點(diǎn)指標(biāo)做分類研究，如表1所示。

表1 腦功能網(wǎng)絡(luò)分析指標(biāo)簡表Tab.1 Brief descriptions of brain functional network metrics employed in this study

1.4 腦功能網(wǎng)絡(luò)的特征篩選

為了從特征集中找到最優(yōu)的特征子集，防止過擬合現(xiàn)象，以優(yōu)化模型性能和高效訓(xùn)練分類器，有必要在分類前進(jìn)行特征選擇。F-score 是度量特征在不同類別間區(qū)分度的一種指標(biāo)，其本質(zhì)是選取類內(nèi)差異小，類間差異大的特征[24，25]。

在本文中，對于每類節(jié)點(diǎn)指標(biāo)網(wǎng)絡(luò)拓?fù)鋵傩裕棵辉嚂玫揭粋€1×90 的行矩陣，通過F-score 進(jìn)行特征提取，具體過程：首先，對90 個腦區(qū)計算F-score 進(jìn)行評分，選取前10 個評分最高的腦區(qū)；然后，對自閉癥患者和健康對照組所得到的腦區(qū)進(jìn)行雙樣本t檢驗(yàn)，選取具有統(tǒng)計意義的特征腦區(qū)(P＜0.05)作為特征向量。

除此之外，最小冗余最大相關(guān)性(minimal redundancy maximum relevancy，mRMR)和ROC 敏感性分析也被廣泛應(yīng)用于特征腦區(qū)篩選上。mRMR 算法是通過利用互信息衡量不同特征之間相關(guān)性和冗余度，并根據(jù)信息差和信息熵這兩個代價函數(shù)來尋找特征子集，使得選出的特征與目標(biāo)類別之間具有最大相關(guān)性，且互相之間具有最小冗余度，可以很好地實(shí)現(xiàn)特征選擇[26]。ROC 敏感性分析是根據(jù)一系列不同的二分類方式，以真陽性率為縱坐標(biāo)，假陽性率為橫坐標(biāo)繪制曲線。在臨床應(yīng)用中，通過對各個腦區(qū)做ROC敏感性分析，可以選取對疾病識別較為敏感的腦區(qū)。

1.5 特征融合

根據(jù)以往研究發(fā)現(xiàn)，特征融合常采用多種特征向量首尾串聯(lián)進(jìn)行融合[12,27]。在此基礎(chǔ)上，本文提出了一種加權(quán)的特征融合方法。從腦功能網(wǎng)絡(luò)中得到的4個節(jié)點(diǎn)指標(biāo)特征向量F，在進(jìn)行特征融合時，對每種特征向量矩陣乘上一個權(quán)重系數(shù)M，然后再對其首尾串聯(lián)實(shí)現(xiàn)加權(quán)融合，具體計算方法：

其中，F(xiàn)1,F2,F3,F4為4 類節(jié)點(diǎn)指標(biāo)特征向量，Acc（Fk）為每類節(jié)點(diǎn)指標(biāo)模型分類準(zhǔn)確率，F(xiàn)f為融合后的特征向量矩陣。

1.6 機(jī)器學(xué)習(xí)模型

在本文中，把49名被試的網(wǎng)絡(luò)特征作為數(shù)據(jù)集，按照3∶2比例分成30名訓(xùn)練集和19名測試集，作為機(jī)器學(xué)習(xí)的基本輸入信息通過min-max Normalization對數(shù)據(jù)進(jìn)行歸一化處理。選擇徑向基函數(shù)作為核函數(shù)，選取比例參數(shù)g=1 2σ2代替核參數(shù)σ，形成一組參數(shù)對(C,g)。其中，參數(shù)C 和g 的取值范圍設(shè)定為[-10,10] (步長0.1)，用網(wǎng)格搜索方法尋找誤差最小的懲罰系數(shù)C 和核參數(shù)σ 為最優(yōu)參數(shù)。創(chuàng)建訓(xùn)練模型，對測試集數(shù)據(jù)進(jìn)行計算。隨機(jī)交叉驗(yàn)證，即在每次實(shí)驗(yàn)分類前，將所有的特征向量隨機(jī)排序并分組，用于機(jī)器學(xué)習(xí)分類實(shí)驗(yàn)。本文采用了10次隨機(jī)交叉驗(yàn)證和留一法交叉驗(yàn)證兩種方法加以驗(yàn)證，確保分類結(jié)果的可靠性。

2 結(jié)果

2.1 單一節(jié)點(diǎn)指標(biāo)特征分類驗(yàn)證

為了檢驗(yàn)單一局部節(jié)點(diǎn)指標(biāo)的分類結(jié)果，分別利用三種不同算法對網(wǎng)絡(luò)屬性進(jìn)行特征腦區(qū)篩選，并將其放入機(jī)器學(xué)習(xí)中進(jìn)行10次隨機(jī)交叉驗(yàn)證得到平均準(zhǔn)確率，結(jié)果如圖2所示。

圖2 節(jié)點(diǎn)指標(biāo)分類結(jié)果對比圖Fig.2 Classification by network node index

盡管F-score 分類精度相對其他兩種方法要好些，但總的來說，單一節(jié)點(diǎn)指標(biāo)分類精度都不高，這是因?yàn)橹豢紤]腦網(wǎng)絡(luò)單一特征屬性，將會忽略其他特征屬性，其很可能會對結(jié)果產(chǎn)生很大影響，從而導(dǎo)致分類精度都不高。因此，可以在特征融合時根據(jù)分類效果不同，通過引入權(quán)值方法，綜合考慮各個屬性，以提高分類效果。

2.2 網(wǎng)絡(luò)特征加權(quán)融合及其分類與驗(yàn)證

2.2.1 特征腦區(qū)

通過圖2我們發(fā)現(xiàn)，通過F-score算法，在4類單一節(jié)點(diǎn)指標(biāo)中分類精度相對較好，因此，為了研究特征加權(quán)融合后對分類效果的影響，我們利用F-score算法來挑選特征腦區(qū)，得到了在兩類被試中具有組間差異的特征腦區(qū)，并將其可視化。如圖3 及表2所示：

表2 具有顯著性差異的特征腦區(qū)(P＜0.05)Tab.2 Characteristic brain regions with significant differences(P＜0.05)

圖3 通過F-score提取的特征腦區(qū)Fig.3 Feature brain regions extracted by F-scores

由表2可見，四個腦功能網(wǎng)絡(luò)節(jié)點(diǎn)指標(biāo)所確定的特征腦區(qū)主要集中在額葉、顳葉和梭狀回、海馬、丘腦以及默認(rèn)模式網(wǎng)絡(luò)等區(qū)域，即自閉癥患者在這些區(qū)域相對健康對照組較為敏感。

2.2.2 SVM分類交叉驗(yàn)證

據(jù)前述，分別將4類單一節(jié)點(diǎn)指標(biāo)特征和加權(quán)融合后特征向量Ff放入機(jī)器學(xué)習(xí)中用SVM 分類器進(jìn)行分類訓(xùn)練，為了測試算法的準(zhǔn)確性，分別采用了10次隨機(jī)驗(yàn)證和留一法驗(yàn)證，結(jié)果如表3所示。

由表3、4可見，兩種交叉驗(yàn)證一致地證實(shí)了網(wǎng)絡(luò)特征指標(biāo)加權(quán)融合后的分類結(jié)果相對于單一節(jié)點(diǎn)指標(biāo)特征有大幅度改善。從10 次隨機(jī)驗(yàn)證結(jié)果來看，特征加權(quán)融合后的分類準(zhǔn)確率范圍在84.21%～94.74%，平均準(zhǔn)確率為89.47%，相對于單一節(jié)點(diǎn)指標(biāo)特征，平均提高21.05%。從穩(wěn)定性上分析，通過特征加權(quán)融合后的方差比單一節(jié)點(diǎn)指標(biāo)特征中穩(wěn)定性最好的(節(jié)點(diǎn)度特征指標(biāo))還要低，方差達(dá)到0.17%。這表明：融合后特征向量更全面地反映了腦網(wǎng)絡(luò)中拓?fù)湫畔?，具有更?qiáng)的分類能力，彌補(bǔ)了僅靠單一網(wǎng)絡(luò)節(jié)點(diǎn)指標(biāo)分類造成的腦網(wǎng)絡(luò)局部信息被忽略的缺陷。另外，為了防止僅靠一種特征提取算法造成的偶然性和局限性，在此又對本文前面所提及的3種特征提取算法進(jìn)行了對比，如圖4所示：

表3 隨機(jī)交叉驗(yàn)證單一指標(biāo)和加權(quán)融合分類準(zhǔn)確率Tab.3 Random cross validation for classification accuracy by a single index and weighted fusion

表4 留一法驗(yàn)證單一指標(biāo)和加權(quán)融合分類準(zhǔn)確率Tab.4 Leave-one validation for classification accuracy by a single index and weighted fusion

圖4 不同算法提取分類結(jié)果對比圖Fig.4 Classification by network node index and fusion

從圖4中可以看出，無論是通過哪種算法進(jìn)行特征提取得到的特征向量放入機(jī)器學(xué)習(xí)中訓(xùn)練分類，通過本文的基于網(wǎng)絡(luò)特征加權(quán)融合的方法分類精度都優(yōu)于傳統(tǒng)的單一節(jié)點(diǎn)指標(biāo)作為特征向量結(jié)果。

2.3 對比實(shí)驗(yàn)

為了驗(yàn)證本文提出的特征加權(quán)融合算法的效果，與傳統(tǒng)的多種特征向量串聯(lián)融合進(jìn)行了實(shí)驗(yàn)對比[12]，并進(jìn)行了10 次隨機(jī)驗(yàn)證和留一法驗(yàn)證已檢驗(yàn)，如表5所示。

對比表3 和表5，不難發(fā)現(xiàn)，與單一節(jié)點(diǎn)指標(biāo)相比，特征融合后分類精度都取得了不錯的效果，但本文中提出的基于網(wǎng)絡(luò)特征加權(quán)融合算法在分類的穩(wěn)定性和精度上仍然優(yōu)于傳統(tǒng)的特征首尾串聯(lián)融合算法。綜上所述，本文所提出的特征加權(quán)融合模型具有優(yōu)良性能。因此，本文的方法將有利于提高自閉癥檢測的精準(zhǔn)性。

表5 特征加權(quán)融合和特征串聯(lián)融合分類準(zhǔn)確率Tab.5 Classification accuracy of feature weighted fusion and feature non-weighted fusion

3 討論

3.1 網(wǎng)絡(luò)特征加權(quán)融合分析

本研究順應(yīng)當(dāng)下人工智能時代，參照健康對照組，提出了一種網(wǎng)絡(luò)特征加權(quán)融合的方法，并將其運(yùn)用在自閉癥的識別檢測上。通過對不同的腦網(wǎng)絡(luò)拓?fù)渲笜?biāo)進(jìn)行加權(quán)融合，在網(wǎng)絡(luò)層面上融合多種網(wǎng)絡(luò)特征，使得分類器所得到的腦網(wǎng)絡(luò)信息更加全面。通過和單一節(jié)點(diǎn)指標(biāo)特征進(jìn)行對比，該方法取得了較好的分類結(jié)果，比單一節(jié)點(diǎn)指標(biāo)特征分類準(zhǔn)確率平均提高21.05%，而相對于傳統(tǒng)的首尾串聯(lián)融合在精度上提高了4.74%。這種加權(quán)融合的算法為臨床輔助診斷自閉癥提供了一種新方法。

值得注意的是，文獻(xiàn)[12]將多種尺度腦網(wǎng)絡(luò)的特征進(jìn)行融合，對抑郁癥患者進(jìn)行早期檢測，識別率可達(dá)88.67%，相對于單一尺度下網(wǎng)絡(luò)特征均有明顯的提高。文獻(xiàn)[28]結(jié)合節(jié)點(diǎn)相關(guān)屬性和整個網(wǎng)絡(luò)拓?fù)湎嚓P(guān)屬性融合對阿爾茨海默病進(jìn)行分類，最終實(shí)現(xiàn)了91.9%的分類準(zhǔn)確率，比基于單一拓?fù)渲笜?biāo)特征的方法高10.8%；文獻(xiàn)[29]通過利用rs-fMRI 構(gòu)建動態(tài)腦網(wǎng)絡(luò)，對rs-fMRI時間序列特征和高階網(wǎng)絡(luò)的拓?fù)鋵傩蕴卣鬟M(jìn)行融合對輕度認(rèn)知障礙患者識別診斷，最終分類準(zhǔn)確率達(dá)到了87.7%，比最先進(jìn)的方法至少提高了5.5%。由此可見，通過采用融合多種形式的腦網(wǎng)絡(luò)拓?fù)渲笜?biāo)方法可以提高分類精度，為早期患者識別檢測提供了新指標(biāo)和方法論，本文實(shí)踐處于當(dāng)前高水平。

3.2 功能影像標(biāo)志性腦區(qū)

本文提出腦功能網(wǎng)絡(luò)特征加權(quán)融合的自閉癥檢測模型，提取了特征腦區(qū)主要包括在后扣帶回、梭狀回、顳中回、海馬旁回等默認(rèn)模式網(wǎng)絡(luò)區(qū)域中。研究表明，后扣帶回腦區(qū)可能具有調(diào)節(jié)腦網(wǎng)絡(luò)穩(wěn)定性的作用，從而影響注意力的集中[30]；顳中回是語言、情感和社會認(rèn)知基礎(chǔ)網(wǎng)絡(luò)的一部分[31]；此外，有研究發(fā)現(xiàn)與健康對照相比，自閉癥患者的頂葉和顳葉皮質(zhì)厚度增加[32，33]，另外，還有一些基于任務(wù)的連通性研究也報告了ASD 患者在任務(wù)相關(guān)大腦區(qū)域的連通性不足，包括在涉及工作記憶的額葉、頂葉、枕葉連接[34-36]；在默認(rèn)網(wǎng)絡(luò)中，Weng等人[37]發(fā)現(xiàn)ASD的社交障礙與默認(rèn)網(wǎng)絡(luò)的多個區(qū)域的連接強(qiáng)度有關(guān)。具體表現(xiàn)在后扣帶皮層、額上回、顳葉與海馬旁回之間連接性減弱。說明自閉癥患者在這些大腦區(qū)域相對健康對照組較為敏感，與本文提取的特異于ASD的特征腦區(qū)有很大交集。

3.3 局限性

雖然，本文提出的網(wǎng)絡(luò)特征指標(biāo)加權(quán)融合方法在識別ASD取得了較好的實(shí)驗(yàn)結(jié)果，但研究具有一些局限性。文中采用了解剖模板AAL，已有研究發(fā)現(xiàn)存在一些潛在局限性[38]。例如，腦區(qū)劃分較為粗糙，可能會忽略較為重要的皮層和邊界信息。未來的研究中可以采用多模板方法進(jìn)行網(wǎng)絡(luò)分析，在一定程度上解決單一模板的偏差。

4 結(jié)論

本研究在偏相關(guān)性的功能連接構(gòu)建腦功能網(wǎng)絡(luò)基礎(chǔ)上，對照健康組，提出網(wǎng)絡(luò)特征加權(quán)融合算法，提取了特異于ASD 的靜息態(tài)腦功能網(wǎng)絡(luò)的影像學(xué)標(biāo)記，以此為特征向量輸入到機(jī)器學(xué)習(xí)中，可明顯提升對ASD識別的準(zhǔn)確率，比單一節(jié)點(diǎn)指標(biāo)特征分類準(zhǔn)確率平均提高21.05%，可達(dá)89.47%，也比傳統(tǒng)的無加權(quán)特征融合提高了4.74%，提高了識別精準(zhǔn)性。

作者利益沖突聲明：全部作者均聲明無利益沖突。