引言
自闭症谱系障碍（ASD）是一种复杂的神经发育状况，特征为社会沟通缺陷、重复行为及兴趣受限（American Psychiatric Association, 2013）。基于脑活动的早期准确诊断对于有效干预至关重要。在各种脑成像技术中，光学功能性近红外光谱（fNIRS）已成为一种相对较新且非常有前景的方法，用于识别 ASD 的定量生物标志物（Liu et al., 2019, Zhang and Roeyers, 2019, Conti et al., 2022）。它可以检测大脑皮层浅表区域中氧合血红蛋白（HbO）、脱氧血红蛋白（Hb）和总血红蛋白（HbT = HbO + Hb）的神经血管浓度变化。fNIRS 具有非侵入性、良好的便携性、更高的运动耐受性、可在自然环境中使用以及成本低等显著优点（Mazzoni et al., 2019），使其特别适合诊断 ASD，尤其是那些可能难以保持静止或耐受噪音的 ASD 婴儿和幼儿。
最近，机器学习（ML）技术越来越多地应用于基于静息态 fNIRS 自发性血流动力学波动的 ASD 区分和脑异常探索（Dahan et al., 2021, Li et al., 2016, Lin et al., 2023）。静息态 fNIRS 测量不需要明确的认知过程和任务表现，这可能提供 ASD 的一些判别性特征。先进的机器学习模型有可能识别可靠的生物标志物并改善精神病学中的患者表征（Mourao-Miranda, 2019, Scheinost et al., 2023）。与传统的统计方法（如 t 检验、ANOVA、Kruskal-Wallis 或 Friedman 检验）不同，ML 可以提供每个 ASD 参与者的个体水平洞察，而不是平均组差异（Nenning & Langs, 2022）。在最近的研究中，通过对同一数据集进行分类（该数据集招募了 47 名儿童（典型发育（TD）= 22，ASD = 25，年龄 9.3 ± 1.4 岁），并收集了双侧额下皮层和颞皮层（44 个通道）8 分钟静息态自发性血流动力学波动数据），大约 10 项研究发现 ML 方法可以进行客观识别并提取有意义的生物标志物（Xu et al., 2019, Xu et al., 2020a, Xu et al., 2021, Zhang et al., 2023, Wu et al., 2024）。尽管以前的研究已使用这些技术来分类 ASD 并提取生物标志物，但仍存在几个挑战。
三个主要因素影响使用 ML 方法进行 ASD 分类的准确性和鲁棒性。首先是数据集的样本量，其中包括参与者的数量和特征。一项研究评论指出，在基于 fNIRS 的精神病学研究中，样本量与分类准确性之间存在负相关（Eken et al., 2024）。小样本可能导致分类准确性膨胀，而大样本可能引入疾病异质性（Arbabshirani et al., 2017）。先前的研究使用了仅包含 47 名儿童的同一数据集，且每个儿童选择的分类特征来自仅收集一次的 8 分钟静息态波动。特别是年幼的 ASD 儿童，难以保持 8 分钟的平静，这会导致血流动力学波动信号中出现运动和情绪伪影（Wu et al., 2022, Whitlow et al., 2011）。研究表明，2 分钟可能是准确区分 ASD 组和 TD 组所需的最短时间（Li et al., 2016），甚至 1.5 分钟的静息态 HbO/Hb 耦合测量也可作为区分特征（Lin, 2024）。此外，年轻成人和健康儿童的静息态 fNIRS 信号在仅采集 1 分钟后就变得稳定且可重复（Geng et al., 2017, Wang et al., 2017）。因此，为了提高分类准确性，未来的研究应使用更大的数据集，包含更年幼的儿童，并对每个儿童在不同时间进行更短时、重复的静息态波动测量。
第二个因素是特征选择。先前的研究使用了来自 8 分钟静息态信号的各种分类特征，如时间平均值（包括长 7 秒和短 3.5 秒窗口）、基于小波的措施（例如波动熵、样本熵和多尺度熵）以及静息态功能连接（RSFC）。虽然这些特征显示出有前景的结果，但不同研究在特征选择和 ML 算法上的差异使得难以确定区分 ASD 和 TD 儿童的最有效特征。在其他精神病学人群研究中，均值、标准差、方差、峰度、偏度等统计特征在时间序列分析中常被使用（Eken et al., 2024）。除了常见的 HbO 作为特征源外，一些研究认为 Hb 是精神病学人群的关键特征源（Li et al., 2016, Xu et al., 2019, Xu et al., 2021, Xu et al., 2020b, Xu et al., 2020, Cheng et al., 2019, Chiarelli et al., 2021, Crippa et al., 2017, Parent et al., 2019, Song et al., 2017, Sutoko et al., 2019c; Yang et al., 2019; Yang et al., 2020a; Yang et al., 2020b），且在某些研究中 Hb 作为特征源显示出更高的准确性（Xu et al., 2019, Crippa et al., 2017）。Hb 对脑外噪声干扰的敏感性较低，并在 fMRI 研究中显示出与 BOLD 信号的正相关（Gervain et al., 2011, Mehnert et al., 2013, Steinbrink et al., 2006）。因此，有必要比较使用不同 ML 算法从 HbO、Hb 和 HbT 中提取的各种特征。
第三个因素是所有脑区覆盖不足，正如先前的研究在局限性中提到的。先前的研究侧重于大脑额叶和颞叶的数据，通常仅使用一个或少数几个通道的信号，使得其他脑区的分类潜力尚未被探索。fMRI 研究发现，ASD 个体在多个脑区的区域同质性存在差异，且默认模式网络内的功能连接减弱（Paakki et al., 2010, Padmanabhan et al., 2017）。因此，未来的研究应针对跨更多脑区的静息态 fNIRS 信号分类潜力进行处理，并探索通道选择方法以评估和排名每个通道对整体分类准确性的贡献。
在本研究中，我们的目标及主要贡献如下：收集 3–6 岁（64 名 ASD 和 63 名 TD）127 名儿童的静息态 fNIRS 数据，覆盖额颞顶叶的 50 个通道。每个儿童的数据收集 2 次或 4 次，每次 2 分钟，并获得基于 HbO、Hb 和 HbT 的特征源。我们使用了四种基于进化的通道选择算法（GA、DE、PSO、PBIL）和 12 种分类器（KNN、RC、NB、DT、ET、LSVM、RBF-SVM、RF、ADA、XGB、E-KNN、E-SVM）来测试 12 种可能的特征（均值、标准差、峰度、偏度、BinEn、ApEn、Δmean、Δstd、Δkurtosis、Δskewness、ΔBinEn、ΔApEn），旨在识别区分幼儿 ASD 的最具判别性的标志物。
Yaou Zhao|Kaiyun Li|Yuehui Chen|Bang Du|Liu Chen|Mingxue Wang|Ziyang Qi|Yi Cao|Ruizhi Han|Xiaotong Li|Wuyue Wang|Qingfang Meng|Fanlu Jia|Jiayi Zhang|Xinyu Liu|Juan Fu
