1 研究背景

自闭症谱系障碍（ASD）是一种儿童早期发病的神经发育障碍，其特征为社交互动和沟通困难、重复行为和兴趣狭窄。随着ASD患病率的上升，早期诊断和干预显得尤为重要。然而，目前ASD的诊断主要依赖心理测试，存在局限性，因此，寻找客观的生物标志物，如神经影像学标志物，对于缩短诊断时间至关重要。

研究的目的是通过结合结构和功能磁共振成像（MRI）技术，探究ASD幼儿大脑的异常，并开发一个基于影像特征的预测模型，以区分ASD和典型发育儿童。研究旨在识别ASD的潜在神经影像学生物标志物，为早期诊断和干预提供科学依据。

2 研究方法

研究对67名ASD儿童（年龄2-7岁）和39名年龄匹配的典型发育（TD）对照儿童同时进行了结构和静息态功能磁共振成像扫描。通过体素基础形态学（VBM）分析评估两组间的大脑结构差异，并通过图论分析比较功能脑网络的拓扑参数，同时利用网络基础统计（NBS）比较网络连接。此外，研究还使用支持向量机（SVM）来区分ASD和TD组别。研究方法具体步骤如下：

2.1 被试纳排

本研究共纳入了67名ASD儿童和39名TD对照儿童，年龄范围为24至95个月（2-7岁）。其中，ASD组有64名儿童和TD组有34名儿童完成了高质量的sMRI扫描（因伪影问题排除了9名儿童的图像）。ASD组有61名患者和TD组有30名受试者完成了高质量的rs-fMRI扫描。ASD组均为使用过《自闭症诊断观察量表第二版》（ADOS-2）和《自闭症行为量表》（ABC）进行评测并诊断确认为ASD。排除标准如下：

（1）具有MRI禁忌症；

（2）常见遗传性疾病（如脆性X综合征、结节性硬化症）；

（3）脑炎（例如单纯疱疹病毒）；

（4）重大脑部畸形；

（5）创伤性脑损伤病史；

（6）其他神经系统疾病以及严重躯体疾病病史；

（7）图像运动伪影过大。

2.2 图像采集

磁共振成像数据使用位于北京博爱医院放射科的Ingenia 3.0 T超导磁共振扫描仪（Philips, Amsterdam, The Netherlands）采集。由于受试者年龄较小，清醒状态下难以配合完成MRI检查，因此所有受试者均在口服10%水合氯醛（0.5 mL/kg，最大剂量不超过10 mL）镇静后进行扫描。

（1）sMRI扫描参数如下：

重复时间（TR）= 8.1 ms；

回波时间（TE）= 3.7 ms；

翻转角（FA）= 8°；

层厚= 0.5 mm；

体素大小= 1.0 × 1.0 × 0.5 mm³。

（2）静息态功能磁共振成像（rs-fMRI）扫描参数如下：

TR = 2000 ms；

TE = 30 ms；

翻转角（FA） = 90°；

层厚= 3 mm；

体素大小= 2.75 × 2.75 × 3.6 mm³；

共采集200个时间点。

2.2 MRI数据分析

2.2.1 体素基础形态学（Voxel-based morphometry）分析：

所有T1加权脑结构图像均使用基于SPM12软件（http://www.fil.ion.ucl.ac.uk/spm）的CAT12软件（www.neuro.unijena.de/ca）进行处理，处理步骤如下，处理步骤如下：

（1）使用Template-O-Matic Toolbox 8（https://irc.cchmc.org/software/tom.php）生成与年龄相关的灰质（GM）、白质（WM）和脑脊液（CSF）组织概率图；

（2）采用DARTEL算法创建图像的自定义DARTEL模板，并对分割图像进行空间标准化；

（3）使用8 mm平滑核进行标准高斯平滑；

（4）图像在CAT12中接受自动质量控制，通过将总灰质、白质和脑脊液体积相加来估算总颅内体积（TIV）。

2.2.2 静息态功能磁共振成像数据预处理（Rs-fMRI data preprocessing）分析：

静息态功能磁共振成像（rs-fMRI）数据使用SPM12进行处理。预处理步骤如下：

（1）去除前5个时间点；

（2）时间层校正；

（3）头动校正（最大头动大于2mm和2度），同时计算平均帧位移（FD），两组之间无显著差异；

（4）标准化到MNI模板上；

（5）去线性趋势；

（6）带通滤波（0.01-0.08 Hz）；

（7）回归协变量（回归头动、白质和脑脊液信号，使用Friston-24头动参数）。

2.2.3 网络构建和拓扑属性分析

使用图论网络分析工具箱（GRETNA）进行分析，处理步骤如下：

（1）通过AAL-90模板提取每个区域的平均时间序列，并生成皮尔逊相关系数矩阵；

（2）过费舍尔z变换将数据转换为近似正态分布的z值。在0.05到0.4的网络稀疏度范围内（步长为0.01）构建二进制脑网络；

（4）计算每个网络测量在稀疏度范围内的接收者操作特征曲线下面积（AUC）。

2.2.4 统计分析

使用SPM12进行了以下几项统计分析：

（1）使用双样本t检验，用于比较ASD组和TD组的灰质体积（GMV）（以年龄、性别和总颅内体积（TIV）作为干扰协变量）；

（2）使用阈值无关聚类增强（TFCE）分析（TFCE工具箱），用于灰质体积（GMV）比较与结果的显著性评估（采用5000次置换检验，结果在p < 0.05（校正后家族错误率 [FWE]）时被认为具有显著性）；

（3）使用网络基础统计（NBS），用于识别ASD组和TD组之间功能连接（FC）存在差异的脑网络，对两组之间的连接矩阵的每个元素进行两样本t检验，并应用NBS校正以控制误差率（边缘p = 0.001，组分p = 0.01，迭代次数 = 5000）；

（4）使用皮尔逊相关性分析，用于检验ASD儿童的影像学变化值与量表评分（ADOS_total、ADOS_社交影响 [SA]、ADOS_限制性和重复行为 [RRB]、ABC、GSD和韦氏智力测验）之间的相关性（结果在经过FDR校正后p < 0.05时被认为具有显著性）。

2.2.5 分类分析

机器学习方面使用了三种不同的机器学习分类器：支持向量机（SVM）、随机森林（RF）和K最近邻（KNN）。

构建特征使用了两种特征构建方法：

（1）单个特征（仅sMRI特征或仅fMRI特征）；

（2）组合特征（sMRI特征和fMRI特征）。

具体的机器学习训练过程如下：

（1）将ASD组和TD组的受试者随机分为训练集（70%；整个训练集在交叉验证与参数搜索中进一步分为新的训练集和验证集）和测试集（30%）；

（2）对数据进行标准化和归一化预处理；

（3）使用五折交叉验证的网格搜索来找到最优参数；

（4）在完整的训练集上使用该最优参数重新训练模型，并在测试集上进行测试以获得测试集的分类性能；

（5）为了减少因单次数据集划分而导致的不稳定性，重复了上述过程（数据划分、数据预处理、模型训练和测试）100次，以获得准确率、敏感性、特异性和AUC的平均值。

对于分类性能最佳的分类器，研究对使用单个特征和组合特征的准确率（100次）进行了双样本t检验，以确定组合特征是否比单个特征更能提高分类性能。

3 研究结果

3.1 半球间功能连接

在ASD组和TD组之间，年龄（p = 0.995）和性别（p = 0.419）均无显著差异。ASD组的发展商数（DQ）显著低于TD组（p < 0.001），表明ASD儿童的发展水平较差（表1）。

表1. ASD组和TD组的人口统计学和临床特征（均值±标准差）

3.2 体素基础形态学分析（VBM analysis）结果

与TD组相比，ASD组儿童的总颅内体积（TIV）显著增加（p = 0.003），在控制TIV的影响后，ASD组的右侧内侧上额叶回（SFGmed）和左侧梭状回（FFG）的灰质体积（GMV）显著增加（p < 0.05，TFCE校正，FWE校正）（表2和图1）。没有发现TD组有比ASD组更大的GMV区域：

表2. ASD和TD组之间的GMV差异（ASD > TD）

图1. GMV ASD组与TD组之间的差异

3.3 图论分析（Graph theoretic analysis）结果

两组均表现出小世界属性（γ > 1，λ ≈ 1，σ > 1），并且两组之间全局网络指标（C_p、γ、Lp、λ、σ、Eglob、Eloc）的AUC没有显著差异，这表明ASD组和TD组之间的网络效率没有差异（表3和图2）。

表3. 网络指标的组间差异的AUC（平均值±SD)

图2. 通过图论分析得出的大脑网络的全局特征

3.4 网络基础统计分析（NBS analysis）结果

与TD组相比，ASD组儿童的亚网络连接性显著降低，涉及18个脑区的19个连接（表4，图3）。该亚网络主要涉及社交认知回路，例如默认模式网络（内侧前额叶皮层、楔前叶、前扣带回皮层、海马体）、边缘网络（杏仁核、嗅觉皮层、眶额叶皮层）以及面部处理脑区（梭状回、枕颞内侧回），还涉及语言脑区，如颞上回（STG）和颞极。

表4. ASD和TD组之间的差异子网络区域

图3. NBS分析结果：与TD组相比，ASD组的子网络连接性降低

3.5 相关性分析（Correlation analysis）结果

对成像测量值（TIV、右侧内侧上额叶回的GMV、左侧梭状回的GMV以及亚网络中19个功能连接）与ASD组的量表评分（ADOS_total、ADOS_社交影响 [SA]、ADOS_限制性和重复行为 [RRB]、ABC、盖塞尔发育量表 [GSD] 和韦氏智力测验）进行了相关性分析。左侧颞上回（STG）和左侧中颞回颞极（TPOmid）之间的功能连接（FC）与适应性DQ（p = 0.021，r = 0.325）和语言DQ（p = 0.009，r = 0.365）呈正相关（图4）；因此，FC越低，ASD儿童的适应性和语言功能越差。然而，在多重比较校正后，相关性并不显著。没有发现其他显著的相关性降低。

图4. ASD组zFC值与发育商数的相关性

3.6机器学习分类（Classification results）结果

研究使用支持向量机（SVM）分类器，结合结构磁共振成像（sMRI）和静息态功能磁共振成像（rs-fMRI）特征，对ASD和TD儿童进行分类预测。在三种机器学习算法中，SVM分类器表现最佳，其准确率达到86.2%，敏感性为81.25%，特异性为88.54%，AUC值为0.93（表5）。使用组合特征（sMRI和fMRI特征）的分类性能显著优于仅使用单一结构特征或单一功能特征的分类性能（p < 0.001）。这表明，结合脑结构和脑功能特征可以构建出更为稳健的ASD预测模型（图5展示的是SVM分类器的ROC曲线）。

表5. 使用测试数据集对SVM算法预测进行分类性能分析

图5. 不同特征分类的ROC曲线平均值

表S1. 测试数据集中多个分类器的分类性能 

表S2. 使用测试数据集对RF和KNN算法预测进行分类性能分析

4 结论与讨论

研究结果揭示了ASD儿童大脑结构和功能的异常，这些异常与社交认知相关的脑区有关，并且与临床特征相关联。这些发现支持了基于影像的ASD诊断和评估的潜力。

ASD儿童灰质体积增加的分析中，研究发现ASD儿童在右侧内侧上额叶回和左侧梭状回的灰质体积增加，这可能与ASD的社交认知缺陷有关。

ASD儿童的全局网络特征的研究中，尽管ASD组和TD组在全局网络指标上没有显著差异，但这些发现表明ASD对幼儿的全局脑组织影响较小。

ASD儿童社交脑区功能连接减少的研究中，研究指出ASD儿童在多个与社交认知相关的脑区存在功能连接减少，这可能与ASD的核心症状相关。

机器学习在ASD和TD分类预测中的应用研究中，通过结合结构和功能MRI特征，机器学习模型能够以86.2%的准确率区分ASD和TD儿童，表明这些特征可能是ASD的潜在生物标志物。

5 局限性与未来展望

当前研究的局限性如下：

（1）目前尚不清楚ASD中观察到的大脑结构和网络模式的异常是否会随着疾病进展和治疗而发生变化；

（2）研究纳入的受试者年龄范围为2-7岁，尽管这一较窄的年龄范围减少了组内的异质性，但结果不能推广到青少年和成人；

（3）所有受试者因年龄小而需在药物镇静状态下接受MRI扫描，这可能影响功能连接结果的解释，未来研究应在清醒状态下进行；

（4）在解释FC强度与发育商数（DQs）之间的相关性分析时需要谨慎，因为经过多重比较校正后结果并不显著，因此需要注意多重比较可能导致的α膨胀问题；

（5）由于招募幼儿存在困难，样本量相对较小，尽管结果经过了严格的统计校正和测试模型性能，但仍需要独立样本来训练和测试模型，以提高其可靠性。

尽管研究提供了有价值的见解，但未来的研究需要更多的研究来验证这些发现，并探索这些生物标志物在ASD早期诊断和干预中的应用潜力。

参考文献

Bai C, Wang Y, Zhang Y, Wang X, Chen Z, Yu W, Zhang H, Li X, Zhu K, Wang Y, Zhang T. Abnormal gray matter volume and functional connectivity patterns in social cognition-related brain regions of young children with autism spectrum disorder. Autism Res. 2023 Jun;16(6):1124-1137. doi: 10.1002/aur.2936. Epub 2023 May 10. PMID: 37163546.

解读成员 | 张致瑞

审核成员 | 吴金颖

排版成员 | 张菲

声明

本公众号的文章旨在促进学术交流，如有侵权，请联系我们删除！

开放转载，欢迎大家转发到朋友圈和微信群

获取本篇文献原文，请添加微信号：18067956299（张老师）获取。

加入【脑海科技实验室文献分享群】，每日分享文献精读！

多模态脑影像一站式数据分析平台

脑海科技自主研发的多模态脑影像一站式科研平台（INSEPARA），产品有丰富的数据分析算法库（700+），支持对常见的脑功能、结构、弥散等序列数据进行一站式智能整理与分析，用户无需学习代码，几天就可以学会数据分析，助力SCI论文发表。

• 高效数据管理与质控：INSEPARA支持多模态数据（功能像、结构像、弥散像及临床量表等）自动协同与标准化管理；同时生成目前市面上最全面、严谨的质控报告，有效保障数据质量和科研规范。

• 丰富算法库与多模态融合：内置700+多种算法，涵盖BOLD、T1/T2、DTI、ASL、MRS、QSM等多种序列，同时支持多种机器学习算法（SVM、CNN、GNN等）。可以实现跨模态、个体化的精细化数据分析，为精准诊断、术前规划和康复评估提供数据支持

• 多队列统计：平台支持一次性多队列自动统计，生成SCI标准的统计报告和图表。免去频繁、复杂的重复性工作，大量节省医生的时间。

• 便捷易用与定制化服务：公司平台基于私有云（网页），可本地化部署确保数据安全，操作简便，让用户轻松获取高质量结果。此外，平台还支持按项目需求定制硬件设备及全流程服务保障，并提供技术培训、专属工程师支持等科研辅助服务。

目前我们的产品，已与国内200余家医院/科研单位合作，有兴趣欢迎添加微信号：19906719439（樊老师），了解产品详情。

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.