《Nature Mental Health》:Optimizing functional connectivity scanning conditions for predicting autistic traits
编辑推荐:
本研究针对自闭症功能磁共振成像(fMRI)预测模型受“脑状态”影响的问题,通过多数据集(n=63/25/229/643)的连接组预测模型(CPM)分析,发现持续注意任务(gradCPT)相比静息态能显著提升自闭症特质及社会反应性的预测精度,为跨诊断神经标记开发提供了关键证据。
自闭症谱系障碍(Autism Spectrum Disorder, ASD)是一种高度异质性的神经发育障碍,全球患病率约1%,其核心特征包括社会沟通障碍、重复刻板行为及感觉异常。尽管功能磁共振成像(fMRI)研究已证实ASD患者存在广泛的功能连接(Functional Connectivity, FC)异常,但基于FC的预测模型(如病例-对照分类)在临床转化中仍面临两大挑战:一是ASD的高度异质性导致单一生物标志物难以捕捉所有个体特征;二是传统研究多依赖“静息态”(Resting-State)扫描,忽略了“脑状态”(Brain State)对功能连接模式稳定性的影响。近年研究表明,在神经典型发育人群中,任务态fMRI(如记忆、注意任务)往往比静息态更能揭示个体差异与行为表型的关系。然而,“何种脑状态最能揭示ASD的脑-行为关系”这一问题仍缺乏系统研究。
为解决上述问题,发表在Nature Mental Health上的研究《Optimizing functional connectivity scanning conditions for predicting autistic traits》通过四个独立数据集,系统比较了持续注意任务、社会注意任务与静息态在预测自闭症特质中的效能,并验证了所得预测网络的跨数据集泛化能力。
关键技术方法
本研究核心采用连接组预测模型(CPM),基于全脑功能连接组(Functional Connectome)构建自闭症特质预测模型。研究利用四个独立fMRI数据集(包括内部采集的青少年ASD/神经典型样本,以及ABIDE、Healthy Brain Network等公共数据库,总样本量近千例),对比了持续注意任务(gradCPT)、自由观看社会注意任务(SSA)及静息态(Resting-State)三种扫描条件下的预测性能,并通过留出验证与外部验证评估模型对自闭症特质(如SRS量表)及注意行为的泛化能力。
研究结果
1. 持续注意任务显著提升预测性能
在数据集1(n=63,青少年ASD与神经典型对照)中,研究者比较了gradCPT、SSA任务及静息态下的CPM模型预测自闭症特质(如AQ、SRS评分)的表现。结果显示,gradCPT任务下的模型预测精度显著高于SSA任务和静息态。这一结果提示,“挑战性”的持续注意任务能更有效地“激活”与ASD特质相关的功能网络,而静息态和被动观看任务可能因个体内部状态变异较大,导致功能连接信号噪声较多,降低预测效力。
2. 预测网络具备跨表型泛化能力
为验证gradCPT模型的特异性,研究者在数据集2(n=25,神经典型成人)中应用了从数据集1训练得到的gradCPT预测网络。令人惊讶的是,该网络不仅能预测自闭症特质,还能显著预测神经典型成人的注意行为表现。这表明,gradCPT所捕获的脑网络并非ASD特异性病理标记,而是跨诊断的“注意-社会功能”维度神经基础,支持了ASD与注意缺陷多动障碍(ADHD)在神经机制上的重叠假说。
3. 大规模外部数据集验证稳健性
为进一步评估模型的泛化能力,研究者将gradCPT预测网络应用于两个大型公共数据库:ABIDE(n=229,含ASD与对照)和Healthy Brain Network(n=643,社区样本)。结果显示,该网络在ABIDE数据集中能有效预测社会反应性(SRS)评分,且在Healthy Brain Network中同样表现出对多种社会行为指标的预测能力。这证实了gradCPT诱导的脑状态能够稳定地捕捉与ASD相关的社会功能障碍的神经 correlates,且不受站点、扫描参数差异的影响。
4. 预测网络的拓扑特征
通过对预测模型中显著边缘(Edges)的分析,研究发现最具有预测力的连接主要分布在联合皮层(Association Cortices)、皮层下结构及小脑,且仅占全脑连接组的5%–10%。这一“稀疏但分布式”的网络特征与既往CPM研究一致,提示ASD的脑-行为关系并非由局部单一脑区驱动,而是由大规模功能网络协同模式所介导。
结论与意义
本研究通过多数据集CPM分析,证实了fMRI扫描条件(脑状态)对ASD特质预测具有决定性影响。具体而言:
- 1.
持续注意任务(gradCPT)是揭示ASD脑-行为关系的最优脑状态,其预测性能优于传统静息态和被动社会注意任务。
- 2.
gradCPT预测网络具备跨数据集、跨表型(自闭症特质→注意行为)的泛化能力,表明其捕获的是跨诊断的认知功能神经基质。
- 3.
该网络在大型公共数据库中(ABIDE、HBN)保持稳健,为ASD生物标志物的临床转化提供了可重复的候选靶点。
这项研究的核心贡献在于将“脑状态优化”引入ASD神经影像研究范式。它提示,未来基于fMRI的ASD诊断或分型研究,应优先考虑采用持续注意任务作为扫描条件,而非默认的静息态。此外,gradCPT网络的跨诊断特性也为理解ASD与ADHD的共病机制提供了神经影像证据,支持了“研究领域标准(RDoC)”框架下的维度化研究路径。尽管该模型尚未直接应用于临床诊断,但其揭示的“5%–10%关键连接”为开发高精度、可泛化的ASD神经标记奠定了方法学基础。