多模态融合揭示自闭症谱系障碍（ASD）的潜在亚型及神经机制

研究人员融合脑结构和功能特征研究 ASD 潜在亚型，发现两种亚型，强调多模态特征的重要性。

　　自闭症谱系障碍（Autism spectrum disorder，ASD）是一种神经发育疾病，在结构和功能上存在高度异质性。结构和功能磁共振成像（Magnetic Resonance Imaging，MRI）的多模态融合，有助于从多个角度更好地整合 ASD 的特征。本研究旨在通过融合大脑结构和功能特征，揭示潜在的 ASD 亚型。研究采用了一种无监督学习方法 —— 相似性网络融合（Similarity Network Fusion，SNF）。研究数据来自自闭症脑成像数据交换数据库中 207 名男性儿童的静息态功能磁共振成像和结构磁共振成像数据（其中 105 名患有 ASD，102 名是健康对照（Healthy Controls，HC））。研究分别利用灰质体积（Gray Matter Volume，GMV）和低频振幅波动（Amplitude of Low-Frequency Fluctuation，ALFF）来代表结构和功能特征。通过 SNF 构建并融合结构和功能距离网络，然后对融合后的网络进行谱聚类。最后，运用多变量支持向量回归分析，探究多模态改变与 ASD 亚型症状严重程度之间的关系。研究识别出两种 ASD 亚型。与 HC 相比，这两种 ASD 亚型表现出相反的 GMV 变化和不同的 ALFF 改变。此外，ALFF 的改变能够预测 ASD 亚型 1 中社交沟通障碍的严重程度。然而，在 ASD 亚型 2 中，未发现多模态改变与症状之间存在显著关联。这些研究结果表明，ASD 中存在具有不同结构和功能模式的异质性，同时也突出了结合多模态特征在研究 ASD 潜在神经机制中的关键作用。