结合正稀疏化弥散张量成像区域间相关性与基于图论的人工智能，可改善自闭症谱系障碍的诊断分类

《Neuroscience》：Diagnostic classification of ASD improves with positively sparsified DTI inter-regional correlation and graph-theoretical artificial intelligence

　　

•扩散张量成像结合人工智能提升自闭症诊断
•计算完全相关的正负区域间相关性
•正相关在0.2阈值下达到90.47%的准确率
•扣带回和放射冠成为诊断的潜在标志物
•特征向量和PageRank中心性是关键的图论特征

引言

自闭症谱系障碍（ASD）是一种神经发育障碍，其特征为社会互动、交流方面的困难以及受限或重复的行为（Genovese和Butler，2023）。疾病控制和预防中心在2025年的报告中指出，每31名儿童中有1名（3.2%）被确诊患有ASD。相比两年前沿报告（Shaw，2025）每36名儿童中有1名，这一比例有所上升。由于ASD的异质性和依赖主观行为评估（如儿童自闭症评定量表CARS、修订版自闭症诊断访谈ADI-R和自闭症诊断观察量表ADOS）（Kamp-Becker等，2021），其诊断仍然具有挑战性。此外，诊断决策依据的是《精神障碍诊断与统计手册》第五版（DSM-5）中列出的标准（Shen等，2024）。更重要的是，ASD诊断的可靠性在很大程度上取决于专家对儿童行为的评估。这引入了主观性，可能不适用于医疗资源有限的地区。另一方面，大脑区域如胼胝体、扣带回、上纵束和钩束中的微观结构改变已被报告为ASD的生物标志物（Yoon和Dean，2025）。然而，很少有研究关注基于白质（WM）的生物标志物用于ASD诊断。在本研究中，我们旨在识别潜在的白质标志物，以改善异质性人群中ASD的诊断分类。

研究大脑结构和功能的主要神经影像技术包括结构磁共振成像（sMRI）、功能性磁共振成像（fMRI）和扩散张量成像（DTI）。由于这些模式能够非侵入性地提供详细的脑解剖结构和神经异常信息，已被广泛应用于ASD研究（Rafiee等，2022）。sMRI主要测量宏观脑解剖结构，如皮层厚度、灰质体积和大脑形态（Wang和He，2024）。fMRI测量血氧水平依赖信号。然而，这些模式无法直接评估大脑白质的微观结构完整性。另一方面，DTI可以通过测量脑组织中水分子的扩散来提供白质微观结构完整性的独特信息（Rafiee等，2022）。它可以揭示ASD个体与典型发育（TD）人群相比在发育轨迹上的改变（Yoon和Dean，2025，Rafiee等，2022）。在本研究中，使用了ASD和TD个体的DTI数据来识别潜在的ASD标志物。

DTI研究使用传统的体素级指标，包括分数各向异性（FA）、平均扩散率（MD）、轴向扩散率（AD）和径向扩散率（RD），来分析ASD大脑中的微观结构（Alexander等，2007，Slu?ná等，2025）。然而，这些体素级和纤维束特异性度量往往无法捕捉与ASD相关的宏观结构和网络层面的破坏（Yeh等，2022）。此外，这些度量可以提供特定纤维束或脑区内的局部异常，而非系统层面的组织（Li等，2022）。另一方面，区域间连接性分析可以提供与ASD相关的网络层面破坏和异常结构模式（Rubinov和Sporns，2010，Sporns，2018，Li等，2022）。研究者使用不同的方法来分析脑区间的区域间连接性，如Pearson相关系数（PCC）、Spearman秩相关系数（SRCC）、Kendall秩相关系数、双权中位数相关系数（BMCC）、偏相关、互信息和距离相关（Ahmadi等，2023，Manoj等，2025，Pavlovich等，2026）。然而，偏相关在高维设置中可能不稳定（Wang等，2016）。互信息和距离相关计算需求更高且可解释性较差（Jin等，2025）。PCC捕捉线性关系（Kazeminejad和Sotero，2020，Rakshe等，2024，Ratnaik等，2025），SRCC识别单调非线性关联（Kazeminejad和Sotero，2019），BMCC提供对异常值的鲁棒性（Papana，2021）。它们提供了相关性分析的互补洞察。此外，这些度量产生的值范围为?1到1，使得能够跨脑区比较和解释模式。在本研究中，我们使用PCC、BMCC和SRCC来研究ASD个体白质网络中的区域间相关性。

完全相关（FC）的区域间相关矩阵保留了白质区域之间所有成对的统计关联（正相关和负相关）。它们提供了大规模结构协方差模式的全面表征（Nazemi和Jamali，2019）。然而，正相关和负相关可能反映不同的生物过程，对网络组织有不同的贡献。可以通过将连接性强度分成正（0到1）和负（0到?1）相关来分析网络连接强度和连接模式的改变。正相关表示区域间的协调变化。负相关表示区域之间的互补关系（Kazeminejad和Sotero，2020）。然而，这些相关矩阵包含弱连接和潜在的噪声连接。稀疏化策略通常用于降低网络密度，提高基于连接性推断的生物可解释性、鲁棒性和稳定性，同时降低计算复杂度（Ahmadi等，2021，Samantaray等，2022）。稀疏化最常用的方法是阈值化。阈值的选择对于在最小化虚假关联的同时保留显著的网络结构至关重要。研究者使用了几种阈值化方法，包括绝对阈值、比例阈值、统计阈值和最小生成树。比例阈值化可能会掩盖真实的组间差异。统计阈值化依赖于样本量和统计假设。最小生成树过度简化了网络结构并移除了冗余。绝对阈值化简单、直观，并且避免了其他方法所需的假设（Kazeminejad和Sotero，2019，Kazeminejad和Sotero，2020）。在本研究中，我们将FC分为正相关矩阵和负相关矩阵，并使用从0.1到0.9以0.1为增量进行绝对阈值化，以评估多个连接强度下的网络组织。

在传统DTI研究中，区域间相关性被用作特征向量。然而，这种方法将每个连接独立对待，并未明确捕捉脑网络的拓扑组织和高级交互（ElNakieb等，2021）。另一方面，区域间相关矩阵可以以图的形式进行概括。它们将脑区及其成对的相互连接分别表示为节点和边（Sporns，2018）。研究者已将图论方法应用于DTI数据，以研究ASD中的白质结构网络（Dean等，2016，Lin等，2026）。在ASD中常见报道的图论特征包括聚类系数、全局和局部效率、特征路径长度和小世界性。这些特征描述了脑网络中局部特化与全局整合之间的平衡（Sporns，2018，Rubinov和Sporns，2010）。此外，中心性度量如介数中心性、特征向量中心性、参与系数和模块内度z分数，以及网络层面的度量如传递性和偏好性已被用于表征ASD（Kazeminejad和Sotero，2019，Kazeminejad和Sotero，2020）。在本研究中，我们计算了图论特征，通过将脑网络表示为图来识别ASD脑模式。

人工智能（AI）算法，包括机器学习（ML）和深度学习（DL）模型，被广泛应用于识别最重要的特征并自动化ASD诊断过程（ElNakieb等，2021，Joudar等，2023，Zhou等，2024，Wang等，2025，Manoj等，2025）。常用的模型包括逻辑回归（LR）、支持向量机（SVM）、高斯朴素贝叶斯、随机森林（RF）、极端梯度提升（XGB）、k近邻、决策树和被动-积极分类器。这些模型在可解释性、鲁棒性和分类性能方面具有独特的优势和特点（Ingalhalikar等，2011，Jin等，2015，Crimi等，2017，Payabvash等，2019，Saad和Islam，2019，ElNakieb等，2021，Ratnaik等，2023，Ratnaik等，2025，Cardenas-Hernandez等，2025）。另一方面，包括卷积神经网络（CNN）在内的DL模型已展现出对高维和异质性神经影像数据进行建模的强大能力。DL模型可以在不进行手动特征工程的情况下从影像数据中提取判别性的空间和结构特征（ElNakieb等，2021，Abbas等，2023）。最近的研究表明，从DTI中提取的图论特征输入ML模型后，在ASD分类中展现了令人鼓舞的分类性能（Ratnaik等，2025）。本研究通过系统评估多种相关性度量、稀疏化策略和扩展的特征选择框架，以及使用包括LR、SVM、RF、XGB和1D-CNN在内的AI算法来分类ASD，对这一研究进行了实质性扩展。

本研究的主要贡献是在DTI衍生区域指标上，使用PCC、BMCC和SRCC计算多个阈值水平（0.1–0.9）的FC、正相关和负相关区域间相关矩阵。此外，从稀疏化相关矩阵构建图论白质网络，计算九种拓扑度量，如介数中心性（BC）、接近中心性（CC）、聚类系数（CCo）、度中心性（DC）、参与系数（PC）、强度（ST）、平均最短路径长度（ASPL）、PageRank中心性（PRC）和特征向量中心性（EC），为每位参与者生成450个判别特征用于分类。还包括确定最佳相关配置和网络稀疏度，从而改善使用LR、SVM、RF、XGB和1D-CNN等AI模型在异质性扩散MRI数据集上的ASD诊断分类性能。

流程片段

图1展示了本研究的整体流程管线，分为三个主要阶段：(1)数据集策划和预处理，(2)区域间相关和图论分析，(3)分类模型和评价指标。第一阶段包括数据集策划、初始预处理、DTI重建和白质区域分割。第二阶段包括基于正负相关的稀疏化、网络图构建和图论特征计算。

结果

图2展示了ASD受试者DTI预处理的主要阶段。图2(a)展示了原始DTI图像。图2(b)展示了用于涡流校正和运动校正的非扩散加权（b0）参考图像。图2(c)展示了涡流校正、运动校正和空间对齐后得到的预处理DTI图像。该图像进一步用于扩散张量重建。图2(d–g)展示了扩散张量衍生参数图，如FA、MD、AD和RD。

讨论

在本研究中，我们使用图论特征和AI模型分析了不同阈值水平下的FC、正负区域间相关矩阵。我们发现，来自正相关的特征对模型贡献良好，其次是负相关和FC相关。这一观察结果在所有三种相关度量（PCC、BMCC、SRCC）和大多数阈值水平中均一致。PCC的特征在分类性能上优于BMCC和SRCC。

局限性与未来展望

本研究尽管在ASD和TD分类中取得了令人鼓舞的结果，但仍有一些局限性。首先，本研究使用的是单一数据集（ABIDE-II）。这可能限制了结果在不同人群和影像协议之间的可推广性。其次，我们在分析中仅使用了DTI单一模态。这可能会限制捕捉互补的功能和结构脑信息的能力。第三，本研究主要依赖传统ML模型和单一DL模型。

结论

在本研究中，我们尝试使用从DTI标量衍生的图论特征构建ASD分类模型。我们考虑了PCC、BMCC和SRCC等区域间相关度量来构建FC矩阵。这些矩阵随后被分解为正相关矩阵和负相关矩阵，并在多个稀疏阈值下进行评估。此外，计算了图论特征并输入到LR、SVM、RF、XGB和1D-CNN等AI模型中。我们的结果表明……

CRediT作者贡献声明

Ravi Ratnaik：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，资源，方法学，调查，形式化分析，数据整理。

Sriram Kumar P.：撰写——审阅与编辑，撰写——初稿，验证，软件，形式化分析，概念化。

Lavanya Selvaganesh：可视化，验证，软件，方法学。

Sandeep Singh Sengar：写作——审阅与编辑、写作——初稿撰写、验证、软件、调查研究、形式化分析。

**代码可用性** 支持本研究结果的代码可根据合理要求向作者索取。

**资金支持** 本研究获得了印度医学研究委员会（ICMR）的支持，参考编号为 R&D/SA/ICMR/BME/24-25/02/588。

**利益冲突声明** 作者声明不存在已知的、可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢** 本分析中使用的数据集公开可获取，地址为 https://fcon_1000.projects.nitrc.org/indi/abide/。

Ravi Ratnaik | Sriram Kumar P. | Lavanya Selvaganesh | Sandeep Singh Sengar | Jac Fredo Agastinose Ronickom