一种用于评估小样本静息态 fMRI 功能连接指标的神经信息学框架：一项年龄分层自闭症研究

《Neuroinformatics》：A Neuroinformatics Framework for Evaluating Functional Connectivity Metrics in Small-Sample Resting-State fMRI: An Age-Stratified Autism Study

　　

摘要

使用静息态fMRI进行的功能连接（FC）分析已广泛应用于研究自闭症谱系障碍（ASD）中的脑组织。然而，FC估计的变异性、有限的样本量以及高维特征空间往往会产生不稳定且过度乐观的机器学习结果，凸显了进行严格方法学基准测试的必要性。我们提出了一种神经信息学框架，用于在小样本静息态fMRI条件下系统评估多种FC度量方法。数据在儿童、青少年和成人之间进行了分析。通过组独立成分分析结合双重回归提取了个体特异性的网络时间序列。五种FC度量方法——全相关、偏相关、双变量Granger因果、相干性和互信息——捕捉了线性、非线性、时域和频域相互作用。为确保泄漏感知评估，使用留一交叉验证严格在训练折内进行特征选择，并使用多种机器学习分类器作为标准化评估工具。FC度量方法的性能在不同发育阶段有所不同。线性连接度量在儿童期表现出更稳定的行为，非线性信息论度量在青春期最具信息量，而频域度量在成年期表现出更强的性能。与主要关注诊断准确性的研究不同，本研究强调比较方法学评估，并通过严格的交叉验证和仅使用训练集的特征选择明确解决了数据泄漏和过拟合问题。基于FC的机器学习结果受发育阶段和方法选择的强烈影响。提出的泄漏感知框架为评估小样本静息态fMRI研究中的FC度量提供了实用基准，并支持更可靠神经影像机器学习研究。