简要总结：

研究者们开发了一个基于日本成人多中心静息态功能磁共振成像（rs-fMRI）数据集的自闭症谱系障碍（ASD）分类器，目的是捕捉反映自闭症大脑病理生理学、神经递质和临床症状的神经特征。通过应用最小绝对收缩和选择算子（LASSO）的逻辑回归方法，结合十折嵌套交叉验证（CV）和多次子抽样，研究者们训练出了100个分类器，并在多个独立成像站点的成人以及儿童和青少年数据集上测试了这些分类器的泛化和可迁移性。研究结果表明，该成人ASD分类器能够成功泛化到美国、比利时和日本的成人验证数据集，并且在儿童和青少年数据集上也表现出了可接受的分类性能。研究者们确定了141个对区分ASD状态至关重要的功能连接（FCs），这些FCs涉及多个网络，并且与社交互动困难和多巴胺及血清素相关。此外，通过将注意力缺陷/多动障碍（ADHD）、精神分裂症（SCZ）和重度抑郁症（MDD）映射到ASD分类器定义的生物学轴上，研究发现ADHD和SCZ在生物学维度上与ASD接近，而MDD则不然。这些发现为ASD的神经基础提供了新的见解，并为阐明跨诊断连续性提供了有效工具，有助于未来在ASD内识别生物学亚型和基于这些FCs作为目标的干预措施。

摘要：

自闭症谱系障碍（ASD）是一种终身性疾病，其生物学机制难以捉摸。多种因素的复杂性，包括不同地点和发育阶段的差异，阻碍了可用于ASD的一般化神经影像学分类器的发展。在此，研究利用一个包含730名日本成人的大规模、多中心静息态功能磁共振成像（fMRI）数据集开发了一种ASD分类器，旨在捕捉反映自闭症大脑功能网络层面的病理生理学、神经递质以及临床症状的神经标志。研究的成人ASD分类器成功地推广到了美国、比利时和日本的成人中。该分类器进一步证明了其能够成功地迁移到儿童和青少年中。该分类器包含141个功能连接（FCs），这些功能连接对于区分ASD患者与典型发育对照组个体至关重要。这些功能连接及其末端脑区分别与社交互动困难以及多巴胺和血清素相关。最后，研究将注意缺陷多动障碍（ADHD）、精神分裂症（SCZ）和重度抑郁症（MDD）映射到由ASD分类器定义的生物学轴上。ADHD和SCZ，而非MDD，在生物学维度上与ASD位置相近。研究结果揭示了基于分子特征和临床症状的ASD大脑的功能标志，实现了可推广性和可迁移性，适用于相关疾病生物学连续性的评估。

1. 引言

为自闭症谱系障碍（ASD）建立可靠的生物标志物对于理解该障碍的病理生理机制至关重要。为了识别ASD的生物标志物，人们采用了大量的方法。然而，由于各种因素（如遗传和环境因素、生物性别、文化因素以及发育因素）之间的复杂关系，所有这些因素共同构成了ASD的异质性，因此尚未建立可靠的生物标志物。基于神经影像学的分类器有望在分类精度上优于其他方法（如遗传生物标志物），后者即使在超过10000个病例中，也仅能解释2.45%的风险变异。然而，在开发可靠的分类器方面仍然存在一些挑战。

构建可靠的基于神经影像学的分类器的一个关键前提是确保其外部有效性。尽管已有大量研究致力于开发ASD分类器，但93%的分类研究使用了相同的公开可获取的数据集，这可能会由于重复使用相同的数据集而引入偏差。一些研究使用了跨站点交叉验证方案来评估同一数据集中不同成像站点的分类器性能。然而，这种方法可能无法充分评估外部有效性，因为它是在相同的数据集上复制分析。只有少数研究明确在完全独立的数据集上测试了ASD分类器。ASD分类器开发中的另一个关键挑战是从一个发育阶段到另一个发育阶段的可迁移性，因为自闭症大脑的临床症状的严重程度以及结构和功能改变的模式会随着发育而变化。然而，最近关于静息态功能连接（FC）的大规模病例对照研究表明，在儿童期和成年期存在可复制的异常FC。由于ASD特征通常会持续一生，因此期望在特定发育阶段开发的分类器能够通过捕捉与发育无关的异常神经标志来在不同的发育阶段检测ASD。

在分类研究中，一个经常被忽视的方面是所选择的特征在多大程度上反映了ASD的病理生理机制。ASD患者表现出包括多巴胺和血清素在内的神经递质的改变，自闭症大脑中的异常FC与这些神经递质有关。将ASD分类器中的FC与分子特征和临床症状联系起来对于理解ASD的病理生理机制至关重要。然而，以往专注于诊断生物标志物的研究很少调查这种潜在关系。

除了从对照组中进行分类外，经过良好验证的分类器还可以用于跨诊断研究，以研究ASD与其他精神障碍之间的生物学连续性。最近，由于存在重叠的遗传因素和症状，人们对理解ASD与其他精神障碍之间的生物学连续性的兴趣增加。通过将ASD和其他精神障碍的分类器视为映射函数，可以将个体投影到由这些分类器定义的生物学轴上，这使得能够在生物学空间中研究在类别上不同的障碍之间的相似性和差异性。我们之前的研究纳入了由精神分裂症（SCZ）和ASD分类器定义的轴，结果表明，SCZ在ASD分类器上更有可能被归类为ASD，而不是典型发育对照组（TDCs），而ASD在SCZ分类器上更有可能被归类为TDCs，而不是SCZ。尽管已知注意力缺陷多动障碍（ADHD）和重度抑郁症（MDD）与ASD的共病率很高，但尚未从这些生物学维度的角度研究ASD与这些障碍之间的关系。复制与SCZ的关系并探索与ADHD和MDD的关系，可以阐明ASD与这些障碍之间的复杂关系。

研究开发了一种用于自闭症谱系障碍（ASD）的稳健分类器，旨在识别不仅能够区分ASD患者与典型发育对照组（TDCs）的神经标志，还能反映ASD潜在病理生理机制的神经标志。最初，研究利用来自日本成人人群的多中心、多疾病数据集（即“促进脑科学研究的战略研究计划”[SRPBS]数据集）构建了一个基于功能连接（FC）的分类器。随后，研究将这个成人ASD分类器应用于来自美国、比利时和日本的外部验证数据集，以评估其在成人独立成像站点中的可推广性。此外，研究还评估了该分类器向儿童和青少年验证数据集的可迁移性，以判断基于成人的分类器是否能够捕捉到ASD在多个发育阶段存在的功能连接改变。在观察到一组与ASD状态一致相关的功能连接与临床症状和神经递质系统存在关联后，我们将经过验证的分类器应用于检查ASD与三种主要精神障碍（包括ADHD、SCZ和MDD）在由分类器定义的维度空间内的关系。图1展示了研究的分析过程的详细概述。

图1 分析程序概述图

2.材料和方法

2.1 被试

这项研究使用了三个成人静息态功能磁共振成像（R-fMRI）数据集进行分析：一个用作训练数据集，其余两个用作独立验证数据集，以测试研究的分类器的泛化性。此外，这项研究还包括了三个儿童和青少年R-fMRI数据集，以测试研究的分类器的可迁移性。数据来源于三个多站点计划：战略研究计划促进脑科学（SRPBS）、自闭症脑成像数据交换（ABIDE）、脑/MINDS超越（BMB）项目和健康大脑网络（HBN）。

2.2 R-fMRI数据预处理以及网络构建

研究使用fMRIPrep版本1.1.8和ciftify工具箱版本2.1.1预处理了所有的R-fMRI数据。包括头部运动估计、切片时间校正、将EPI数据与相应的T1加权解剖图像共配准、失真校正和标准化到标准的蒙特利尔神经学研究所（MNI）空间、回归协变量、去线性趋势以及滤波（0.008-0.1Hz）。如果场图数据不可用，研究使用了“无场图”失真校正方法。研究还使用ciftify工具箱版本2.1.1将预处理后的数据映射到灰质坐标。研究使用逐帧位移（FD）作为检测偶尔头部运动的度量，并移除了FD > 0.5毫米的volume。

研究纳排标准：为了确保数据集的质量，研究进行了多次视觉检查，并应用了以下排除标准来选择参与者：1）没有全脑覆盖的参与者被排除；2）在应用了清洗方法后，少于4分钟未受污染的R-fMRI数据的参与者；3）在任何预处理步骤中出现错误的参与者（例如，分割失败和空间标准化及表面映射失败）。根据之前的研究，研究排除了验证数据集中每组少于10名参与者的成像站点。还排除了没有提供扫描协议信息（例如，切片采集顺序）的成像站点。

研究使用Glasser的379个基于表面的脑区划分（皮质360个区划分和皮质下19个区划分）作为感兴趣区域（ROIs）。计算了所有可能的ROI对之间的信号时间相关性，并应用了Fisher的r到z转换，为每位参与者生成了71,631个独特的功能连接（FCs）。由于Glasser图谱中每个ROI的标签并不直观，研究使用Yeo的静息态网络（RSN）标签将重要的ROI分配到相应的RSN标签。在这项研究中，皮质下网络标签被添加到了皮质下和小脑区域。研究还使用了ComBat协调方法来控制FCs中固有的成像站点差异。在这项研究中，研究将疾病状态（0 = TDC和1 = ASD）、年龄和性别作为感兴趣的协变量纳入了ComBat模型。

2.3 利用发现数据集构建ASD分类器

根据先前的研究，研究假设精神障碍因素与有限数量的功能连接（FCs）相关，而不是整个大脑连接。所以研究使用了最小绝对收缩和选择算子（LASSO）方法的逻辑回归，该方法从全脑连接中选择一个最优的FC子集。研究使用LASSO方法和十折嵌套交叉验证（CV）以及10次子抽样来开发ASD分类器，产生了100个训练好的分类器。平均分类器输出值被视为诊断概率，这表明参与者属于ASD类别的可能性。ASD分类器训练和评估过程的示意图如图2所示。

图2 ASD分类器训练和评估过程的示意图

2.4 ASD分类器对成人验证数据集的泛化能力

研究使用两个独立的成人验证数据集来测试ASD分类器的可推广性：ABIDE成人数据集和日本成人数据集。首先研究将所有训练好的分类器应用于独立的验证数据集，并为每位参与者获得了100个诊断概率。这些诊断概率针对每位参与者进行了平均，如果平均诊断概率大于0.5，则认为参与者具有ASD标签。为了评估分类性能，计算了以下性能指标：AUC（曲线下面积）、准确率、灵敏度、特异性和MCC（马修斯相关系数）。在这项研究中，研究认为如果ASD分类器在成人验证数据集上的分类性能（AUC和MCC）达到了统计学上的显著水平，则该分类器是可推广的。

2.5 ASD分类器对儿童、青少年和HBN数据集的可移植性

研究进一步测试了成人ASD分类器对儿童（年龄<12岁）和青少年（12≤年龄<18岁）的可迁移性。研究使用与成人数据集相同的排除标准创建了儿童和青少年数据集。此外，研究还使用了来自HBN项目的额外数据集，因为该数据集采用了统一的扫描协议，并且主要包含了儿童和青少年。研究对这些数据集应用了相同的预处理流程和协调方法。在这项研究中，如果ASD分类器在来自不同发育阶段（即儿童、青少年和HBN）的数据集上的分类性能达到了统计学上显著的水平，研究则认为这个构建的ASD分类器是可迁移的。

2.6 分类器分类性能的统计显著性评估

为了测试AUC和MCC的统计显著性，研究者采用了排列测试，该测试通过500次迭代来进行。在每次迭代中，通过打乱诊断标签来创建一个排列数据集。然后，使用与非排列数据集相同的十折嵌套交叉验证和10个子样本的方法为排列数据集构建分类器，从而在每次迭代中产生100个排列分类器。对于独立数据集中的每个个体，基于由100个训练好的排列分类器生成的100个诊断概率值进行分类。阈值设定在平均诊断概率值为0.5。在每次迭代中为排列分类器计算AUC和MCC。通过在迭代过程中聚合这些值来构建每个性能指标的空分布。统计阈值设定为0.05。使用Holm–Bonferroni方法来控制所有验证数据集的家族错误（FWE）率。

2.7 与ASD临床诊断相关的FC的识别

研究使用与之前的研究相似的方法，通过500次迭代的排列测试来识别区分性功能连接（FCs）。首先，对于每个FC，统计了在十折交叉验证（CV）期间LASSO选择该FC的次数。如果一个给定的FC在训练数据集中始终对区分有重要作用，研究期望它会被LASSO显著多于偶然机会的次数选中，这种偶然机会可以从空分布中得出。在每次迭代中，研究打乱诊断标签以创建一个排列数据集，并构建排列分类器。对于每个FC，统计了在十折CV和10次子抽样（即在100个分类器中）中LASSO选择该FC的次数。每次迭代中所有连接的最大计数被用来使用这些最大值构建空分布。如果FC的p值低于0.05，我们认为它们是ASD状态的显著贡献者。

2.8 ASD分类器对其他精神疾病的敏感性

研究测试了开发的ASD分类器是否对注意力缺陷多动障碍（ADHD）、精神分裂症（SCZ）和重度抑郁症（MDD）敏感。为了测试这一点，研究将分类器应用于ADHD、SCZ和MDD的数据。SCZ和MDD的数据包含在SRPBS数据集中，而ADHD的数据是在Showa University使用相同的扫描协议收集的，但没有包含在SRPBS数据集中。研究应用了相同的预处理流程、排除标准和协调方法。将100个训练好的ASD分类器应用于ADHD、SCZ和MDD数据集，并为每位参与者获得了100个诊断概率值。如果平均诊断概率大于0.5，那么研究认为参与者具有ASD标签。研究专注于灵敏度而不是其他性能指标，因为TDC参与者在各个数据集中是相同的。统计显著性是基于从500次迭代的排列测试中获得的空分布计算的。在纠正了错误发现率（FDR）之后，将统计阈值设定为q < 0.05。“proximity”一词被定义为其他精神障碍显示出统计上显著高于空分布（即q < 0.05）的灵敏度值的情况。

3 结果

3.1 测试所构建的ASD分类器在两个成人验证数据集上的可推广性。

基于发现数据集（550名成人TDC和180名成人ASD患者）构建的分类器，使用71,631个功能连接（FCs）以76%的准确率、0.84的AUC值和0.46的MCC值区分ASD组和TDC组。相应的灵敏度和特异性分别为76%和75%（图3A）。研究的分类器在两个独立的成人验证数据集上的可推广性得到了测试。对于ABIDE成人数据集，研究的分类器达到了62%的准确率。相应的AUC和MCC分别为0.70和0.25（所有p < 0.05，经过FWE校正）。灵敏度和特异性分别为67%和58%（图3B）。这些结果表明研究的标记在ABIDE成人数据集中具有显著的区分能力。对于新收集的日本成人数据集，研究的分类器表现出72%的准确率（图3C）。相应的AUC和MCC分别为0.78和0.42（所有p < 0.05，经过FWE校正）。该标记的灵敏度和特异性分别为63%和78%。这些结果表明研究的ASD分类器可以推广到成人外部验证数据集。

图3 ASD分类器在发现和五个验证数据集中的分类性能。

3.2 测试成人ASD分类器在儿童和青少年数据集上的可迁移性

研究进一步在儿童和青少年数据集上测试了成人ASD分类器的可迁移性。成人ASD分类器在儿童（准确率=61%，AUC=0.66，MCC=0.27；p < 0.05，经过FWE校正）（图2D）、青少年（准确率=66%，AUC=0.71，MCC=0.32；p < 0.05，经过FWE校正）（图2E）和HBN（准确率=62%，AUC=0.70，MCC=0.23；p < 0.05，经过FWE校正）（图2F）数据集上表现出统计学上显著的分类性能。这些结果表明研究的成人ASD分类器可以迁移到其他发育阶段，即使是在独立的成像站点。

3.3 影响分类性能的潜在因素

研究探索了头部运动、协调方法和其他实验因素（即成像站点的多样性和图谱的选择）对分类性能的影响。首先评估了头部运动是否人为地提高了泛化性能。AUC和平均FD之间没有发现显著的正相关（r = −0.17，p = 0.49），这表明头部运动并没有提高研究分类器的可推广性。接下来，研究评估了协调方法对泛化性能的影响。在两个验证数据集中，没有协调方法的情况下观察到了泛化性能的下降（ABIDE成人：准确率=60%，AUC=0.64，MCC=0.19；日本成人：准确率=66%，AUC=0.75，MCC=0.30），这支持了协调方法对于提高分类性能的必要性。然后研究检查了成像站点对泛化性能的影响，因为研究的发现数据集包括了患者/对照比例不平衡的成像站点（即COI、KUT和UTO1）或具有不同扫描协议的站点（即UTO2）。包括不平衡的成像站点或具有不同扫描协议的站点都没有影响研究分类器的可推广性。最后，研究检查了研究的ASD分类器的泛化性能是否依赖于图谱。研究使用Schaefer皮层图谱构建了分类器，该图谱提供了从100到900多个分辨率级别的图谱。在泛化性能中没有观察到特定于Glasser图谱的改进。

研究所构建的ASD分类器在独立验证数据集上的可推广性和可迁移性取决于这样的假设：ASD特征性的改变FC模式应该在发现和验证数据集之间是可复制的。为了直接测试这个假设，研究使用了类似于先前研究的大规模单变量分析。通过计算每个数据集的t值（诊断效应）来量化每组之间的差异。然后计算数据集之间t值的皮尔逊相关系数。使用1000次迭代的排列测试进行统计显著性测试，并在FDR校正后将统计阈值设定为q < 0.05。发现数据集与其他数据集显示出统计学上显著的正相关（ABIDE成人：r = 0.16，q = 0.003；日本成人：r = 0.35，q = 0.000；青少年：r = 0.20，q = 0.000；HBN：r = 0.08，q = 0.044），除了儿童数据集（r = 0.02，q = 0.38）。

3.4 与ASD诊断相关的FC

识别出一组与ASD（自闭症谱系障碍）状态相关的区分性功能连接（FCs））：65个超连接和76个低连接。在下文中，这些FCs被称为“区分性FCs”。为了检查这些FCs的空间分布，研究统计了每个脑区作为每个区分性FC至少一个端点被选择的次数。图4A和4B分别展示了识别出的FCs及其端点区域的空间分布。在大脑皮层中，双侧中颞回（MTG）和上颞回（STG）以及背内侧和腹内侧前额叶皮层（dmPFC和vmPFC）受到显著影响。另一方面，在皮质下区域（subcortical regions）中，右侧丘脑（right thalamus）、双侧豆状核（bilateral putamen）、中脑（midbrain）和苍白球（globus pallidus）受到影响。

为了进一步功能上表征这些FCs，研究将每个超连接和低连接划分为功能网络解剖学。超连接主要由来自皮质下网络到其他网络的跨网络连接所特征化，例如默认模式网络（DMN）和边缘网络（见图4C）。另一方面，低连接显著地由DMN、边缘和皮质下网络的网络内连接以及皮质下和额顶网络（FPN）的跨网络连接所特征化（见图4D）。

图4 ASD诊断中鉴别功能连接的空间分布和网络特征

3.5 临床症状和神经递质与鉴别性FC的联系

研究者们使用偏最小二乘相关性（PLS-C）方法调查了这些区分性功能连接（FCs）与临床症状之间的关联。PLS-C识别出两个潜在成分（LC1和LC2），这两个成分显示出区分性FCs与通过自闭症诊断观察表（ADOS）测量的症状（即沟通[ADOS-A]和互惠社交互动[ADOS-B]）之间存在统计学上显著的关联（LC1: r = 0.65, q = 0.0024; LC2: r = 0.56, q = 0.024经过FDR校正后）。

对于LC1，ADOS-A和ADOS-B都对症状相关的综合得分产生了负面影响（ADOS-A: r = −0.58, 95%置信区间[CI] = [−0.48, −0.68], p < 0.05; ADOS-B: r = −0.60, 95% CI = [−0.49, −0.69], p < 0.05）。在将自举法z分数阈值设定为± 1.96（p < 0.05）后，17个区分性FCs与第一个FC相关综合得分相关联（图5A）。在这17个FCs中，有8个对FC相关综合得分产生了正面影响，主要涉及从默认模式网络（DMN）和额顶网络（FPN）到其他网络的皮层间连接。这八个FCs与ADOS-A和ADOS-B呈负相关。其余的九个FCs对FC相关综合得分产生了负面影响，主要涉及连接双侧壳核和苍白球与颞区的皮层下连接。

对于LC2，ADOS-A和ADOS-B对症状相关综合得分的贡献方向相反（ADOS-A: r = 0.27, 95% CI = [0.11, 0.42], p < 0.05; ADOS-B: r = −0.26, 95% CI = [−0.10, −0.42], p < 0.05）。在对自举法z分数进行阈值设定后，14个区分性FCs对第二个FC相关综合得分产生了贡献（图5B）。六个区分性FCs对FC相关综合得分产生了正面影响，包括从DMN到其他网络的皮层间连接。这些FCs与ADOS-A呈正相关，而与ADOS-B呈负相关。其余的八个FCs对FC相关综合得分产生了负面影响，包括边缘网络与其他网络之间的连接。这些FCs与ADOS-A呈负相关，而与ADOS-B呈正相关。

使用PLS回归（PLS-R）方法调查了区分性FCs的分子特征与终端脑区之间的关联。使用PET示踪剂研究估算了九种神经递质系统的20个受体和转运蛋白的群体水平分子模板，包括多巴胺、去甲肾上腺素、血清素、乙酰胆碱、谷氨酸、GABA、组胺、大麻素和阿片类。PLS-R识别出区分性FCs与受体/转运蛋白密度之间存在统计学上显著的关联（p = 0.001），并揭示出多巴胺（D1、D2和DAT）、血清素（5-HT4和5-HTT）、乙酰胆碱（VAChT）和组胺（H3）显著地贡献于这种关联（q < 0.05）（图5C）。

图5 临床症状和神经递质与鉴别性FC的关系。

3.6 数据集间判别FC的一致性

在通过排列测试识别出的141个区分性功能连接（FCs）中，研究观察了哪些区分性FCs在各个数据集中显示出一致的变化。研究计算了每个数据集中每个FC的诊断效应的t值。在141个区分性FCs中，有41个在所有数据集中显示出相同符号的t值（超连接：59%，低连接：41%）。当考虑过度连接和低连接（即组间FC强度绝对值的差异）时，68%的可重复FCs表现为低连接（见图6A）。ASD（自闭症谱系障碍）组表现出非典型的连接，将皮质下网络（包括丘脑、壳核、苍白球和中脑）与其他网络（如默认模式网络DMN和躯体运动网络）连接起来（见图6B、C）。

使用二项式检验检查了六个数据集之间一致性的统计显著性。在区分性FCs中一致的FCs数量为41，而在整个FCs中显示出相同诊断效应符号的FCs数量（即71,631个FCs）为7,083。研究假设了一个二项分布Bi(n, p)，其中n代表区分性FCs的数量（即n = 141），p代表所有FCs在数据集间保持一致的概率（即p = 7,083 / 71,631）。二项式检验证实了区分性FCs在不同种族和文化（即美国、比利时和日本）以及不同的发育阶段（即儿童、青少年和成人）之间的可重复性（q < 0.05）。二项式检验确认了发现数据集与每个数据集之间一致性的统计显著性。这些结果表明，研究的ASD分类器选择的FCs在独立的成像站点和发育阶段显示出一致的变化，这可能在独立的验证数据集中产生可接受的分类性能。

图6 非典型功能连接的分布在数据集中是一致的。

3.7 ASD分类器对其他精神疾病的敏感性

ASD（自闭症谱系障碍）分类器被应用于ADHD（注意力缺陷多动障碍）、SCZ（精神分裂症）和MDD（重度抑郁症）以测试其特异性。所构建的ASD分类器对ADHD、SCZ和MDD的敏感性分别为58%、56%和33%（见图7A）。正如预期的那样，这三种疾病的敏感性都低于ASD诊断的敏感性。然而，对ADHD和SCZ诊断的敏感性仍然具有统计学意义（ADHD：q = 0.018 和 SCZ：q = 0.021），而分类器对MDD诊断没有显示出敏感性（q = 0.638）。这些结果表明，ADHD和SCZ，但不是MDD，在由ASD分类器定义的生物学维度上与ASD相近。

3.8 ASD与其他精神疾病在分类器定义的生物学维度上的关系

为了进一步探索ASD与其他精神障碍在多个生物学轴上的关系，研究者开发了两个额外的分类器，分别针对SCZ（精神分裂症）和MDD（重度抑郁症）。由于ADHD（注意力缺陷多动障碍）参与者的数量有限（n = 62），因此没有为ADHD组开发分类器。在构建SCZ和MDD分类器之后，每个分类器都被应用于ASD的分析。SCZ分类器对ASD诊断的敏感性较低（34%）(图7B)，支持ASD和SCZ之间存在非对称接近性的观点。另一方面，MDD分类器对ASD诊断的敏感性也较低（47%）(图7C)，表明在定义的轴上ASD和MDD之间没有接近的关系。这些结果表明，ASD在由SCZ和MDD分类器定义的生物学轴上并不接近SCZ和MDD。

图7 ASD和其他精神疾病在每个分类器定义的生物轴上的关系。

4.讨论

在这项研究中，研究使用日本成人多中心数据集开发了一个基于功能连接（FC）的ASD分类器。研究的ASD分类器可以推广到来自独立成像站点的ABIDE和日本成人，AUC值超过70%。此外，该分类器在儿童和青少年（即儿童、青少年和HBN数据集）中表现出可接受的分类性能，表明从儿童到成人ASD存在持续的非典型神经基础。研究确定了141个对确定ASD状态至关重要的FC，这些FC跨越了多个网络，包括默认模式网络（DMN）、边缘网络、额顶网络（FPN）和皮质下网络。这些FC包括了社交脑区，如腹内侧前额叶皮层（vmPFC）、背内侧前额叶皮层（dmPFC）、上颞回（STG）、中脑和丘脑，并且与社交沟通困难和神经递质有关。值得注意的是，在141个FC中有41个在所有六个数据集中显示出一致的诊断效应。

通过使用研究的分类器作为生物学轴，并将ADHD、SCZ和MDD映射到这个轴上，研究观察到ASD与ADHD以及SCZ之间的接近性，而ASD与MDD之间的距离较大。这些发现为自闭症大脑的神经基础提供了新的见解，并提供了一个有效的工具来阐明跨诊断的连续性。

在这项研究中，通过对其在独立验证数据集上的可推广性和可迁移性进行严格的评估，确认了研究的分类器的稳健性。大多数先前的研究都依赖于ABIDE数据集中的交叉验证（CV）程序，这可能会高估分类性能并引入偏差。因此，使用完全独立的外部数据集评估分类器的泛化性能至关重要。一些研究已经使用独立的验证数据集评估了他们分类器的可推广性，并且他们报告的泛化性能范围从67%到75%，与研究的结果相当。该研究的优势在于对泛化性能的全面评估。研究的分类器的可推广性和可迁移性通过五个在成像站点、种族和文化背景以及发育阶段上不同的独立验证数据集得到了验证。此外，研究确认了当研究使用另一个具有多个分辨率级别的大脑图谱时，所构建分类器的可推广性仍然保持不变。这些评估确保了我们分类器的稳健性，并为探索自闭症大脑中的假设提供了一个新工具。

发育阶段依赖的FCs（功能连接）变化阻碍了分类器向其他发育阶段的迁移。尽管如此，研究的成人ASD（自闭症谱系障碍）分类器成功地区分了患有ASD的儿童和青少年与TDCs（典型发育对照组）。研究所构建成人ASD分类器的可迁移性可能是由于本研究中使用的LASSO（最小绝对收缩和选择算子）方法。自闭症大脑可能呈现出特定年龄和非特定年龄的非典型FCs的马赛克模式。支持这一观点，Alaerts及其同事报告称，根据终端区域的不同，自闭症大脑中的后上颞沟表现出与年龄相关的异常FCs的不同模式。在这种复杂情况下，非稀疏机器学习算法（如支持向量机）可能无法适当地选择特征，因此在将分类器迁移到其他发育阶段时，泛化性能可能会降低。LASSO方法倾向于在嵌套交叉验证期间选择在发现数据集中一致的非典型FCs，从而在研究的成人ASD分类器中选择了与数据集无关的非典型FCs。

研究的ASD分类器识别了141个分布在多个网络中的区分性功能连接（FCs），特别是默认模式网络（DMN）和皮质下网络。这些区分性FCs的一个显著特征是它们与临床症状以及与分子特征相关的相应终端脑区的关联。与先前的研究结果一致，DMN和皮质下网络内部和之间的FCs主要与沟通和互惠社交互动的挑战相关。此外，这些区分性FCs的终端脑区主要与多巴胺和血清素相关，这两者在ASD中已被反复涉及。因此，这些区分性FCs可能反映了自闭症大脑的病理生理机制。

另一个值得注意的特征是皮质下、DMN和躯体运动网络内部和之间的FCs的变化，涉及丘脑（thalamus）、壳核（putamen）、苍白球（globus pallidus）、中脑（midbrain）和上颞回（STG）等区域。在六个数据集中表现出一致的ASD状态效应的41个区分性FCs中，有38个涉及这些网络中的终端脑区。研究的发现表明，这些网络的异常是这种障碍的核心神经基础。支持这种可能性的几条证据表明，皮质下、DMN和躯体运动网络内部和之间的功能变化以及它们与临床症状（如限制性和重复性行为和非典型感觉处理）的关联。此外，非典型感觉处理与社会交流障碍之间的关联得到了先前研究的支持。复制、与核心症状的关联以及跨发育阶段的异常一致性可能使这些网络成为ASD的核心基础。

研究展示了基于分类器的分析框架在检查ASD（自闭症谱系障碍）与ADHD（注意力缺陷多动障碍）、SCZ（精神分裂症）和MDD（重度抑郁症）的生物学连续性方面的适用性，通过将这些障碍映射到分类器定义的生物学维度上。ASD和ADHD在潜在的遗传和环境影响方面有显著的重叠。在研究的ASD分类器定义的生物学轴上，ADHD靠近ASD，表明这两种情况之间可能存在部分重叠。另一方面，ASD中MDD的共病率高达11%。然而，MDD在这一轴上并不接近ASD，这表明即使症状可能部分重叠，ASD和MDD涉及不同的神经回路。先前的研究表明ASD和SCZ在遗传、神经和行为水平上存在显著的重叠，尽管由于方法学差异，这些发现的可复制性较低。相比之下，研究将个体映射到由静息态功能连接（FC）分类器定义的生物学空间的方法再现了ASD和SCZ组之间的非对称接近性。特别是，SCZ组在ASD分类器上比TDC组更接近ASD组，而ASD组在SCZ分类器上比SCZ组更接近TDC组。这是使用不同的数据集和方法观察到的。研究的可复制的方法可能为研究精神障碍的谱系结构提供线索。

近期自闭症研究的趋势已经从将ASD视为单一实体转变为认识到它是一个广泛的谱系，包括不同的亚型或特异性。因此，有人可能对该研究这种将ASD视为同质群体并为其标签开发标记的方法持怀疑态度。然而，研究所提出的方法并不与这些主流观点相矛盾。虽然ASD表现出符合诊断标准的不同模式和程度的症状，研究认为存在潜在的生物学共性，尽管程度不同。如果这些共性不存在，分类器将无法准确预测诊断标签。然而，研究的结果并不支持这种预期。识别共享的神经特征可能有助于ASD的分层和个性化治疗。此外，在基于神经影像的分层中，特征的高维性和包含不相关特征可能会阻碍识别反映病理机制的可重复亚型。研究的ASD分类器采用LASSO方法，从71,631个FCs中修剪不相关的FCs并选择141个区分性FCs。与ASD诊断相关的神经特征集合可能在不同程度上反映了ASD的病理机制，并可以作为ASD分层的有效特征简化方法。此外，识别这些神经特征允许在个体水平上评估症状和神经特征之间的共波动，可能使针对性干预措施如重复经颅磁刺激和神经反馈成为可能。

当前研究有几个局限性。首先，研究没有检验分类器对同时表现出智力障碍（即全量表IQ ≤ 70）的ASD个体的泛化性。根据疾病控制与预防中心，31%的ASD个体有智力障碍，而23%的ASD个体处于边缘范围（即70 < 全量表IQ ≤ 85）。因此，该研究的数据集可能无法完全代表ASD人群的特征。然而，最近的一项研究表明，全量表IQ分数较低的ASD个体在DMN中表现出低连接，这与研究的发现一致。其次，尽管研究的ASD分类器在所有六个数据集上都显示出统计学上显著的分类性能，但在ABIDE和HBN数据集上观察到了性能下降。详细调查显示，数据集中的种族多样性等因素影响了这种下降。未来纳入种族背景多样化参与者的研究可能对于构建ASD的可推广的基于神经影像的标记至关重要。最后，当前设计的关联性质不允许研究揭示已识别FCs和ASD病因之间的因果关系。然而，LASSO方法被用来增加重要FCs的可解释性并减轻过拟合。研究的发现为未来研究通过结合已识别的FCs与神经调节技术探索可能的因果关系铺平了道路。

总之，研究开发了一个成人ASD分类器，它可以推广到来自独立成像站点的多样化验证数据集，并跨越不同的发育阶段。所识别的FCs主要在DMN（默认模式网络）、皮质下和躯体运动网络内部和之间进行了划分，这与先前的证据一致。这些FCs被发现与社交沟通困难相关，它们的终端脑区主要与多巴胺和血清素相关。此外，研究展示了分类器在检查发育阶段对自闭症大脑的影响以及ASD与其他精神障碍之间的生物学连续性方面的实用性。使用该研究的ASD分类器识别的区分性FCs，未来可能会开启新的研究方向，包括在ASD内识别生物学亚型以及基于这些FCs作为目标的干预措施。

精读分享

主要内容：

被试：

研究用了三个成人静息态功能磁共振成像（R-fMRI）数据集进行分析：一个用作训练数据集，其余两个用作独立验证数据集，以测试研究的分类器的可推广性。测试可迁移性的独立儿童和青少年验证数据集：包括ABIDE儿童数据集包括来自ABIDE-I和-II的321名儿童（年龄<12岁）。该数据集包括来自5个成像站点的119名ASD儿童和202名TDCs；ABIDE青少年验证数据集 ABIDE青少年数据集包括来自ABIDE-I和-II的253名青少年（12<年龄<18）。青少年数据集包括来自8个站点的121名ASD青少年和132名TDCs；研究还构建了一个额外的验证数据集，包括来自健康大脑网络（HBN）的81名参与者（6<年龄<21）。这个HBN数据集包括来自花旗集团康奈尔大脑成像中心（CBIC）的40名ASD参与者（22名儿童，13名青少年和5名成人），以及41名TDCs（23名儿童，14名青少年和4名成人）。

网络构建：

研究使用Glasser的379个基于表面的脑区划分（皮质360个区划分和皮质下19个区划分）作为感兴趣区域（ROIs）。计算了所有可能的ROI对之间的信号时间相关性，并应用了Fisher的r到z转换，为每位参与者生成了71,631个独特的功能连接（FCs）。由于Glasser图谱中每个ROI的标签并不直观，研究利用Yeo的静息态网络（RSN）标签将重要的ROI分配到相应的RSN标签。皮质下网络标签被添加到了皮质下和脑小脑区域。

实验流程：

1.构建ASD分类器：使用LASSO方法和十折嵌套交叉验证（CV）以及10次子抽样，开发了ASD分类器，产生了100个训练好的分类器。计算平均分类器输出值作为诊断概率，表示参与者属于ASD类别的可能性。

2.泛化能力测试：将训练好的分类器应用于独立的成人验证数据集（ABIDE成人和日本成人数据集），评估其泛化能力。计算AUC、准确率、灵敏度、特异性和MCC等性能指标。

3.可迁移性测试：应用相同的预处理流程和协调方法，进一步在儿童和青少年数据集上测试成人ASD分类器的可迁移性。

4.统计显著性评估：使用500次迭代的排列测试来测试分类器的分类性能的统计显著性。构建每个性能指标的空分布，并设置统计阈值。

5.识别与ASD诊断相关的FCs：使用排列测试识别与ASD状态相关的区分性FCs。计算每个FC在十折CV中被LASSO选择的次数，构建空分布，并确定显著的FCs。

6.对其他精神障碍的敏感性测试：将开发的ASD分类器应用于ADHD、SCZ和MDD数据，测试其特异性。计算排列测试得到的空分布的统计显著性。

7.结果分析：分析测试了日本成人ASD分类器在两个成人验证数据集上的泛化能力。测试了成人ASD分类器在儿童和青少年数据集上的可迁移性。探索了影响分类性能的潜在因素，如头部运动、协调和其他实验因素。

讨论：

1.ASD分类器的开发和验证：研究开发了一个基于功能连接（FCs）的ASD分类器，并使用日本成人多中心数据集进行了训练。分类器在独立成像站点的美国、比利时和日本的成人验证数据集上成功泛化，表明该分类器具有良好的泛化能力。此外，该分类器在儿童和青少年数据集上也显示出可接受的分类性能，这表明从儿童到成人，ASD的非典型神经基础具有持续性。

2.区分性功能连接（FCs）的识别：研究识别了141个对ASD状态至关重要的区分性FCs，这些FCs跨越了多个网络，包括默认模式网络（DMN）、边缘网络、额顶网络（FPN）和皮质下网络。这些FCs与社交互动困难和多巴胺及血清素等神经递质相关，这可能反映了ASD的病理生理机制。

3.与其他精神障碍的关系：通过将ADHD、SCZ和MDD映射到ASD分类器定义的生物学轴上，研究观察到ASD与ADHD以及SCZ在生物学维度上接近，而与MDD的距离较远。这一发现为理解ASD与其他精神障碍之间的复杂关系提供了新的见解，并可能有助于未来对这些障碍的分类和治疗策略的制定。

4.研究局限性：尽管研究取得了积极结果，但研究也指出了研究的局限性，包括未能检验分类器对伴有智力障碍的ASD个体的泛化能力。性能在ABIDE和HBN数据集上有所下降，这可能与数据集中的种族多样性有关。由于研究设计的关联性质，无法揭示已识别FCs与ASD病因之间的因果关系。

5.未来研究方向：研究提出，使用LASSO方法识别的区分性FCs可能有助于ASD的分层和个性化治疗。这些FCs的集合可能反映了ASD的不同病理机制，并可以作为ASD分层的有效特征简化方法。此外，识别这些神经特征允许在个体水平上评估症状和神经特征之间的共波动，可能使针对性干预措施（如重复经颅磁刺激和神经反馈）成为可能。

研究最后得出结论，该研究开发的成人ASD分类器不仅泛化和可迁移到不同的验证数据集，而且跨越了不同的发育阶段。识别的FCs主要在DMN、皮质下和躯体运动网络内部和之间进行了划分，这与先前的证据一致。这些FCs与社交沟通困难相关，其终端脑区主要与多巴胺和血清素相关。此外，研究展示了他们的分类在检查发育阶段对自闭症大脑的影响以及ASD与其他精神障碍之间的生物学连续性方面的实用性。

参考文献

Itahashi T, Yamashita A, Takahara Y, et al. Generalizable and transportable resting-state neural signatures characterized by functional networks, neurotransmitters, and clinical symptoms in autism. Mol Psychiatry 2025;30(4):1466–1478; doi: 10.1038/s41380-024-02759-3.

脑海科技实验室及脑海科技介绍

脑海科技认知神经科学实验室（脑海实验室）由杭州脑海科技有限公司创办于2021年，实验室专注于神经影像相关的科研工作，团队现有硕士研究生近50名，博士研究生10余名。截至目前，实验室成员目前累积发表SCI文章110余篇（其中一区SCI文章30余篇，二区SCI文章50余篇），知识产权30余项，累积主持或参加国家级科研项目19项。

脑海科技创办于2020年，已被认定为“国家级高新技术企业”，入选杭州市萧山区高层次人才创业创新“5213”领航类项目，并经杭州市科协审批建立了“博士创新站”。公司专注于脑影像技术，目前公司销售的产品包括：1）多模态脑影像一键式数据分析平台，2）多模态脑影像数据库系统，3）磁共振数据管理及质量控制系统，4）数据分析工作站及服务器，5）脑科学设备，如：脑电、近红外、经颅磁刺激及相应导航系统等设备。

欢迎添加微信号：19906719439（樊老师），了解业务详情.