《Frontiers in Neuroscience》：Machine-learning classification of children and adolescents with ASD using resting-state frequency-specific intrinsic activity
编辑推荐：
背景：自闭症谱系障碍（ASD）以异质性发展轨迹为特征，但尚不清楚频率特异性静息态功能磁共振成像（rs-fMRI）特征是否能够区分该疾病内年龄定义的发展阶段。方法：研究人员分析了来自自闭症脑影像数据交换（ABIDE）十个站点汇总的251名ASD参与者（包括146
背景：自闭症谱系障碍（ASD）以异质性发展轨迹为特征，但尚不清楚频率特异性静息态功能磁共振成像（rs-fMRI）特征是否能够区分该疾病内年龄定义的发展阶段。方法：研究人员分析了来自自闭症脑影像数据交换（ABIDE）十个站点汇总的251名ASD参与者（包括146名儿童和105名青少年）的rs-fMRI数据。在三个频段上计算了低频振幅（ALFF）和局部一致性（ReHo）：常规频段（0.01–0.08 Hz）、慢-4频段（0.027–0.073 Hz）和慢-5频段（0.01–0.027 Hz）。使用246区域脑网络组图谱（Brainnetome Atlas）提取感兴趣区域特征。为确保严格泛化，参与者被划分为分层训练集（80%，n = 200）和保留测试集（20%，n = 51），分层基于儿童-青少年组标签和固定随机种子42。仅使用训练数据估计CovBat协调参数、特征缩放参数、LASSO特征选择和分类器超参数，随后应用于保留测试数据。最终模型性能在保留测试集上评估一次。使用逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）分类器评估性能，并采用Shapley加法解释（SHAP）来表征特征贡献。结果：慢-4频段和常规频段特征在保留ASD测试集上的性能高于慢-5频段特征。按受试者工作特征曲线下面积（AUC）衡量的最佳单指标模型是慢-4 ReHo逻辑回归，其AUC为0.811，准确率为0.745。使用慢-4 ALFF和ReHo特征的探索性组合模型达到了最高总体AUC为0.819（准确率=0.725）。SHAP分析识别了慢-4 ReHo模型中分布式的模型贡献区域，包括顶下小叶、外侧枕叶皮层、中下额回、基底节和丘脑。结论：频率特异性静息态特征，特别是慢-4频段的局部同步性，捕捉了ASD内与发育阶段相关的变异。额顶叶、视觉和皮层下网络的参与表明，ASD的发育异质性由内在脑活动的分布式重组支持。这些发现强调了频率特异性rs-fMRI指标作为表征ASD神经发育阶段候选标志物的潜力，有待在纵向和独立队列中进一步验证。
**论文解读：基于频率特异性静息态fMRI的机器学习分类揭示自闭症谱系障碍儿童与青少年的发育阶段差异**
**研究背景与问题**
自闭症谱系障碍（ASD）是一种高度异质性的神经发育疾病，临床表现涵盖认知功能、症状严重程度及发展轨迹的显著多样性。这种异质性可能源于神经生物学变异，并反映出不同的发育路径。已有研究表明，ASD中的功能性脑异常在儿童期至青春期呈现动态的年龄依赖性模式，但少有研究直接考察ASD内部发育阶段（如儿童与青少年）的区分。静息态功能磁共振成像（rs-fMRI）可捕捉自发BOLD信号波动，其中低频振幅（ALFF）和局部一致性（ReHo）是两种互补的指标：ALFF反映局部神经活动强度，ReHo反映局部功能一致性。BOLD信号具有频率特异性组织，不同低频振荡（如慢-4频段0.027–0.073 Hz和慢-5频段0.01–0.027 Hz）可能编码内在脑活动的不同方面。然而，在ASD中，跨儿童期至青春期转变的频率依赖性成熟尚未得到充分探索。机器学习方法可整合多变量模式，但多站点数据集面临站点间变异导致的泛化问题。本研究旨在检验频率特异性rs-fMRI的ALFF和ReHo特征是否包含与ASD内年龄定义发育阶段相关的多变量信息。
**研究内容与结论**
研究人员分析了来自自闭症脑影像数据交换（ABIDE）十个站点的251名ASD参与者（146名儿童，105名青少年），将其分为儿童（≥2岁且≤12岁）和青少年（>12岁且≤21岁）两组。计算ALFF和ReHo在常规频段（0.01–0.08 Hz）、慢-4频段（0.027–0.073 Hz）和慢-5频段（0.01–0.027 Hz）上的值，并利用246区域脑网络组图谱（Brainnetome Atlas）提取感兴趣区域特征。采用严格的分层训练-测试分割（80%训练集，20%保留测试集，种子42），CovBat协调参数仅从训练集估计，然后进行LASSO特征选择和分类器超参数优化。使用逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）三种分类器评估性能，并采用Shapley加法解释（SHAP）解读特征贡献。结果发现：慢-4频段和常规频段特征在保留测试集上的性能优于慢-5频段；最佳单指标模型为慢-4 ReHo逻辑回归，AUC为0.811，准确率0.745；探索性组合模型（慢-4 ALFF+ReHo逻辑回归）达到最高总体AUC为0.819，准确率0.725。SHAP分析显示慢-4 ReHo模型的贡献区域包括顶下小叶（IPL）、外侧枕叶皮层（LOcC）、中额回（MFG）、下额回（IFG）、基底节（BG）和丘脑（Tha）。结论：频率特异性静息态特征，特别是慢-4频段的局部同步性，能捕捉ASD内与发育阶段相关的变异，表明额顶叶、视觉和皮层下网络的分布式重组支持ASD发育异质性，这些指标有望作为表征ASD神经发育阶段的候选标志物。
**关键技术与方法**
1. **数据来源**：来自ABIDE I/II十个站点的251名ASD参与者（儿童146人，青少年105人）和325名典型发育（TD）对照（仅用于探索性分析）。
2. **频率特异性特征提取**：计算ALFF和ReHo在常规（0.01–0.08 Hz）、慢-4（0.027–0.073 Hz）和慢-5（0.01–0.027 Hz）三个频段上的值，并使用246区域脑网络组图谱提取ROI水平特征。
3. **CovBat协调**：采用协方差感知扩展的ComBat框架（CovBat）调整多站点数据的均值、方差和协方差结构中的站点相关变异，仅基于训练集估计参数。
4. **LASSO特征选择与机器学习分类**：使用LASSO（最小绝对收缩和选择算子）进行特征选择，然后应用逻辑回归（LR）、支持向量机（RBF核）和随机森林三种分类器，通过分层5折交叉验证优化超参数，最终在保留测试集上评估性能。
5. **SHAP模型解释**：采用Shapley加法解释（SHAP）量化每个特征对模型预测的贡献，包括全局特征重要性和方向一致性。
**研究结果**
**3.1 参与者特征**
ASD队列中儿童与青少年在年龄（p<0.001）和性别分布（p=0.046）上存在显著差异，平均帧位移无显著差异（p=0.604）。TD队列中儿童与青少年在年龄、平均帧位移和性别分布上均有差异，但TD分析仅用于探索性背景。
**3.2 特征选择**
LASSO特征选择保留的ROI特征数量因指标和频段而异。慢-4 ReHo特征集保留了最多单指标特征（53个）。组合分析中，慢-5频段保留了最多总特征（56个，包括30个ALFF和26个ReHo）。
**3.3 机器学习分类性能**
在保留ASD测试集上，慢-4 ReHo逻辑回归模型在单指标中表现最佳（AUC=0.811，准确率=0.745，敏感性=0.571，特异性=0.867）。探索性组合模型（慢-4 ALFF+ReHo逻辑回归）达到最高总体AUC=0.819（准确率=0.725，敏感性=0.762，特异性=0.700）。慢-5频段模型性能较弱，最佳单指标AUC为0.705。
**3.4 SHAP特征贡献**
主模型（慢-4 ReHo逻辑回归）中，贡献最大的区域包括顶下小叶（IPL）、外侧枕叶皮层（LOcC）、基底节（BG）、丘脑（Tha）、中额回（MFG）、扣带回（CG）、下额回（IFG）和眶回（OrG）。基底节和丘脑特征的方向一致性较低。探索性组合模型（慢-4 ALFF+ReHo）中，ALFF和ReHo特征共同贡献，重叠区域包括基底节、丘脑、扣带回、下额回、中额回和颞上回（STG）。
**3.5 探索性TD对照分析**
在TD队列中，以性别和平均FD为协变量，对每个频段的ALFF和ReHo图进行体素水平双样本t检验，经FDR或GRF校正后未发现显著的儿童-青少年差异。
**讨论与结论**
讨论部分指出，慢-4和常规频段优于慢-5频段的结果与先前研究一致，表明慢-4振荡对皮层功能组织更敏感，而慢-5更偏向大规模整合。SHAP分析揭示的分布式贡献区域（额顶叶、视觉、皮层下系统）支持发育阶段分类依赖于大规模功能网络的协调重组，而非孤立区域变化。顶下小叶的突出贡献提示额顶叶控制网络的成熟是关键因素。外侧枕叶皮层、额叶区域（IFG、MFG）和皮层下结构（基底节、丘脑）的参与与ASD中报告的视觉、执行功能和皮层-皮层下环路异常相符。探索性组合模型显示ALFF和ReHo提供部分互补信息。TD对照分析未发现显著差异，为ASD特异性发育阶段差异提供了背景。
研究局限性包括：模型仅区分ASD内发育阶段，非诊断或预测工具；需外部验证；残留混杂因素（站点分布、性别不平衡、运动等）无法完全排除；SHAP提供模型归因而非因果推断；横断面设计限制对个体发育轨迹的推论。
**结论翻译**：本研究表明，频率特异性静息态ALFF和ReHo特征包含有意义的多变量信息，能够区分ASD队列中的儿童和青少年。在所评估的特征集中，慢-4和常规频段始终优于慢-5频段，其中慢-4 ReHo提供了最强的单指标分类性能。SHAP分析表明，发育阶段分类由额顶叶、视觉关联皮层、额叶、扣带回和皮层-皮层下系统的分布式贡献支持，而非孤立区域效应；而探索性ALFF+ReHo联合分析提示，区域自发活动幅度和局部功能同步性提供了内在脑功能的部分互补表征。尽管这些发现尚未建立因果神经生物学机制或ASD特异性发育轨迹，但它们支持频率特异性静息态指标作为ASD内发育阶段相关功能异质性候选指示物的实用性。更广泛地说，该研究为在多站点静息态fMRI数据集中研究神经发育变异提供了一个严格评估的机器学习框架，并为未来在自闭症脑成熟方面的纵向和外部验证研究奠定了基础。
