[论文解读] Autism Classification Using Brain Functional Connectivity Dynamics and Machine Learning

Ravi Tejwani, Adam Liska+3 more|arXiv (Cornell University)|Dec 21, 2017

Functional Brain Connectivity Studies参考文献 10被引用 26

一句话总结

本研究提出将大脑功能连接（FC）的时间变异性作为自闭症谱系障碍（ASD）分类的动态神经影像特征。通过分析ABIDE数据集中静息态fMRI数据，作者计算了200个脑区的节点变异性，并基于这些动态FC特征训练机器学习模型（SVM、随机森林等），在区分ASD与典型对照组时达到最高65%的准确率，该表现与静态FC度量（如节点强度）相当或更优。

ABSTRACT

The goal of the present study is to identify autism using machine learning techniques and resting-state brain imaging data, leveraging the temporal variability of the functional connections (FC) as the only information. We estimated and compared the FC variability across brain regions between typical, healthy subjects and autistic population by analyzing brain imaging data from a world-wide multi-site database known as ABIDE (Autism Brain Imaging Data Exchange). Our analysis revealed that patients diagnosed with autism spectrum disorder (ASD) show increased FC variability in several brain regions that are associated with low FC variability in the typical brain. We then used the enhanced FC variability of brain regions as features for training machine learning models for ASD classification and achieved 65% accuracy in identification of ASD versus control subjects within the dataset. We also used node strength estimated from number of functional connections per node averaged over the whole scan as features for ASD classification.The results reveal that the dynamic FC measures outperform or are comparable with the static FC measures in predicting ASD.

研究动机与目标

• 探究功能连接的时间变异性是否可作为自闭症谱系障碍（ASD）的可靠生物标志物。
• 比较动态功能连接度量（如节点变异性）与静态连接特征（如节点强度）在ASD分类中的预测能力。
• 评估基于动态FC的模型在大型多中心fMRI数据集中跨多个神经影像采集站点的稳健性。
• 识别在ASD患者中相对于典型对照组表现出更高变异性的确切脑区。

提出的方法

• 本研究使用ABIDE数据集中的静息态fMRI数据，限定重复时间（TR）为2秒的站点（NYU、SDSU、UM、USM），共包含293名受试者（147名ASD，146名对照）。
• 采用200个脑区的图谱（CC200）和滑动窗方法，窗长为10–20个体素（20–40秒）。
• 节点变异性通过计算脑区在滑动窗内功能连接模式的时间变异程度来计算，量化了连接的动态重组。
• 在节点变异性特征和节点强度特征上训练了多种机器学习模型（SVM、随机森林、朴素贝叶斯、多层感知机），采用5折交叉验证进行站内评估。
• 采用留一site-out方法评估跨站点泛化能力，性能指标包括准确率、敏感性和特异性。
• 通过回归去除帧间位移以控制头动影响，并通过选择在典型受试者中变异性较低但在ASD中变异性升高的节点来优化特征集。

实验结果

研究问题

• RQ1 与典型发育个体相比，自闭症谱系障碍患者的大脑区域是否表现出更高的功能连接时间变异性？
• RQ2 如节点变异性等动态功能连接度量是否能优于或至少匹配静态功能连接特征（如节点强度）在ASD分类中的表现？
• RQ3 在多中心fMRI数据集中，基于节点变异性的机器学习模型在不同神经影像采集站点间的稳健性如何？
• RQ4 哪些特定脑区在ASD中表现出显著增加的功能连接变异性，且这种差异是否随窗长变化？
• RQ5 在使用动态连接度量时，将头动（帧间位移）作为特征是否能提高分类准确率？

主要发现

• 与典型发育对照组相比，ASD患者在多个脑区，特别是默认模式网络和感觉运动网络中，表现出显著增加的功能连接变异性。
• 使用多层感知机模型，以一组在典型受试者中变异性较低但在ASD中变异性升高的节点作为特征，最高分类准确率达到65%。
• 基于节点变异性训练的模型优于或至少匹配基于静态节点强度特征的模型，表明动态连接度量对ASD分类更具信息量。
• 典型受试者基线变异性与ASD与典型受试者之间变异性差异（ASD - 典型）之间呈负相关，且具有站点依赖性，其中UM站点（-0.59）和USM站点（-0.64）的相关性最强。
• 使用MLP模型进行跨站点分类，准确率约为62%，敏感性和特异性在不同站点间有所差异，表明模型在不同扫描站点间具有中等泛化能力。
• 在特征集中加入平均帧间位移并未提高分类性能，表明观察到的效应并非由运动伪影驱动。