论文部分内容阅读
自闭症谱系障碍(Autism Spectrum Disorder,ASD)是一类复杂且高度异质性的神经发育障碍,其病因和神经生物学机制至今仍是世界医学的未解难题,目前主要依靠半结构化的评估量表进行临床诊断,存在一定的主观性,缺乏客观的生物标志物。静息态功能磁共振成像技术(Resting-State Functional Magnetic Resonance Imaging,rs-f MRI)由于其无创、高时空分辨率和采集方便等优点而成为ASD临床辅助诊断和生物标志物寻找的有力工具。近年来,机器学习技术极大地促进了ASD研究的发展,在ASD定性诊断和定量评估方面取得了很有希望的结果,然而由于ASD的复杂性和高度异质性,ASD研究领域仍然存在诸多问题与挑战。首先,大部分定性诊断研究仅使用从单个脑功能网络提取的特征来识别ASD,无法全面表征由神经精神疾病引起的脑功能网络的细微扰动。其次,多中心集成数据由于中心间异质性问题导致多中心ASD数据的识别性能较低,虽然已有研究使用域适应方法可以在一定程度上减小多中心数据间的分布差异,但是忽视了多中心数据的类判别性。最后,大部分ASD研究集中于定性诊断,但在被试诊断为ASD之后,还需要关注其严重程度如何。ASD严重性定量评估可以对患者做出更精细的诊断,但目前关于ASD严重性定量评估的研究较少。为了解决上述问题,本文在脑功能网络特征提取、多中心定性诊断两个方面提出了新方法,并探索了ASD严重性定量评估。本文的主要研究内容如下:(1)针对单个功能网络提取的特征无法全面表征由神经精神疾病引起的脑功能网络的细微扰动问题,借鉴多视角学习的思想,本文提出了融合多组稀疏功能网络特征的识别框架,有效融合多个组稀疏功能网络的一致和互补信息,增强脑功能网络特征表示。首先,通过改变组稀疏回归模型的正则化参数为每个样本构建多个具有不同稀疏度水平的脑功能网络,每个稀疏水平的脑功能网络的拓扑结构在所有对象之间是相同的,有利于对象间的比较。然后,融合正则化参数为近邻值的多个组稀疏脑功能网络,增强共同的内在拓扑结构,限制由不同网络引起的错误率。同时,这些具有不同稀疏水平的组稀疏网络以细粒度的方式提供彼此不同的互补信息,以捕获脑功能网络中细微的与疾病相关的变化。为了获得一组更有意义和有识别力的特征,本文提出了改进的局部加权聚类系数特征,可以在局部水平上量化每个组稀疏功能网络的细微差别。实验结果表明,相比于单网络方法和其它多网络方法,提出的多组稀疏功能网络融合方法可以有效提升ASD定性诊断性能。相比于常规的局部加权聚类系数,改进的局部加权聚类系数可以提取更具识别力的组间差异信息提升了性能。此外,定位并分析了ASD存在异常的脑区生物标志物,为ASD临床诊断和神经生物学机制提供参考和借鉴。(2)针对基于域适应的多中心ASD识别方法未考虑多中心数据类判别信息以更充分地减小多中心数据间边缘分布差异和条件分布差异的问题,本文提出基于低秩和类判别表示(Low Rank and Class Discriminative Representation,LRCDR)无监督多源域适应的ASD识别方法。LRCDR首先利用低秩表示将多中心源域和单中心目标域数据投影到一个潜在的公共子空间以减小域间边缘分布差异。然后,为了减小所有中心数据的条件分布差异以有效提升多中心ASD数据的识别性能,LRCDR进一步学习源域数据和目标域数据的类判别表示,使所有中心数据增强类内紧凑性和类间可分离性。对于标签已知的多中心源域数据,最小化类内距离和最大化类间距离,使多中心源域数据具有良好的判别性。对于标签未知的单中心目标域数据,通过聚类实现类内距离最小化并得到目标域的伪类质心。为了使目标域数据获得良好的类间可分离性,通过类质心匹配为目标域的每个伪类质心搜索最近的源域类质心并最小化它们之间的距离,使目标域数据借助已最大化类间距离的源域数据增强类间可分离性。实验结果表明,与先进的域适应方法和多中心ASD识别方法相比,LRCDR取得了更优的识别性能。消融实验也证明了类判别表示在提升多中心ASD数据识别性能方面起着至关重要的作用。此外,基于大样本数据定位并分析了ASD存在异常的静息态功能连接生物标志物。(3)针对目前关于ASD严重性定量评估研究较少、已有的基于rs-f MRI数据的定量评估研究存在样本数据量有限、严重性标签未标准化、使用局部脑连接特征进行严重性评估等问题,本文基于多中心集成的ASD数据和标准化后的代理校准严重性分数,采用全脑静息态功能连接特征和多元模式分析方法进行ASD严重性定量评估,探索全脑静息态功能连接中对ASD严重性估计贡献较大的连接。实验结果表明ASD大脑功能连接随着疾病严重性发展产生显著变化,网络间和网络内脑功能网络的连接方式存在明显异常,且异常功能连接主要与感觉运动网络、默认模式网络和半脑间连接相关,同时表现出明显的左半脑偏侧化,为ASD大规模脑功能网络改变和神经生物学机制提供更多信息。