论文部分内容阅读
自闭症(Autism spectrum disorder,ASD)是一种神经发育障碍疾病,发病率高达1%,给社会及患者的家庭带来了沉重负担。目前主要以行为量表对ASD进行诊断,具有一定的主观性。静息态功能连接(Resting-state functional connectivity,RSFC)反映了大脑在静息态下不同脑区神经活动模式之间的时间相关性,基于RSFC探索能够识别ASD的生物标记对于ASD的客观辅助诊断和理解其神经机制具有重要意义。本文基于RSFC从静态和动态两方面进行了 ASD预测研究:一是认为RSFC在整个扫描过程中是静止的,利用Lasso和elastic net两种方法对RSFC的特征选择进行了深入研究;二是假设RSFC是随时间动态变化的,基于动态功能连接方法对ASD预测进行了初步探索,具体工作内容如下:(1)针对大部分方法不能有效地选出具有识别力的RSFC,本文提出利用Lasso选择有识别力的RSFC。首先计算Pearson相关捕捉到大脑的正负相关RSFC,然后进行阈值化保留同步化程度较高的正相关RSFC,进一步利用嵌入式特征选择方法Lasso去除冗余的RSFC只保留最有识别力的特征子集,最后基于SVM分类得到81.52%的分类准确率,同时找出了 19个具有显著识别力的RSFC。(2)针对Lasso方法无法处理具有组效应的变量选择问题,进一步提出基于elastic net的多级特征选择方法进行ASD预测研究。本文依次利用阈值化、t检验和elastic net逐步筛选出差异越来越显著的RSFC特征子集。t检验能初步筛选出与临床症状显著相关的RSFC;Elastic net能发挥处理组效应变量选择的优势对RSFC作进一步筛选。最终ASD预测的准确率达到84.78%,进一步提升了预测性能,并确定了 22个有显著差异的RSFC。(3)针对大部分研究主要基于静态功能连接方法进行ASD预测,而动态功能连接比静态蕴含的信息更为丰富,本文基于动态功能连接分别提取了高阶功能连接特征和动态网络拓扑特征(节点连接度)进行ASD预测。高阶功能连接能捕获各脑区低阶功能连接之间的时间相关信息,最终得到81.52%的预测准确率;动态网络拓扑方法能提取拓扑结构随时间的动态变化信息,预测性能还不够理想。在提出的两种静态功能连接方法中,elastic net方法比Lasso获得了更好的预测性能,有助于寻找到与ASD有关的生物标记以辅助医生进行临床诊断。高阶功能连接方法也获得了不错的预测性能,虽不及静态方法,但给我们提供了另一个思路去寻找生物标记,有利于发现ASD的隐含神经机制。