[论文解读] Functional connectivity patterns of autism spectrum disorder identified by deep feature learning

Hongyoon Choi|arXiv (Cornell University)|Jul 25, 2017

Functional Brain Connectivity Studies被引用 20

一句话总结

本研究提出一种基于深度学习的数据驱动方法，利用变分自编码器（VAE）从自闭症谱系障碍（ASD）的静息态fMRI数据中提取多变量、非线性的功能连接模式。该方法识别出与额顶叶、背侧内侧前额叶皮层及皮质纹状体连接显著相关的功能连接特征，该特征与智商（IQ）相关，并揭示了ASD中先前未被发现的脑网络破坏模式。

ABSTRACT

Autism spectrum disorder (ASD) is regarded as a brain disease with globally disrupted neuronal networks. Even though fMRI studies have revealed abnormal functional connectivity in ASD, they have not reached a consensus of the disrupted patterns. Here, a deep learning-based feature extraction method identifies multivariate and nonlinear functional connectivity patterns of ASD. Resting-state fMRI data of 972 subjects (465 ASD 507 normal controls) acquired from the Autism Brain Imaging Data Exchange were used. A functional connectivity matrix of each subject was generated using 90 predefined brain regions. As a data-driven feature extraction method without prior knowledge such as subjects diagnosis, variational autoencoder (VAE) summarized the functional connectivity matrix into 2 features. Those feature values of ASD patients were statistically compared with those of controls. A feature was significantly different between ASD and normal controls. The extracted features were visualized by VAE-based generator which can produce virtual functional connectivity matrices. The ASD-related feature was associated with frontoparietal connections, interconnections of the dorsal medial frontal cortex and corticostriatal connections. It also showed a trend of negative correlation with full-scale IQ. A data-driven feature extraction based on deep learning could identify complex patterns of functional connectivity of ASD. This approach will help discover complex patterns of abnormalities in brain connectivity in various brain disorders.

研究动机与目标

• 识别自闭症谱系障碍（ASD）中传统线性方法无法捕捉的复杂、多变量功能连接模式。
• 通过数据驱动的无监督深度学习方法，克服先前fMRI研究在ASD相关连接破坏方面缺乏共识的问题。
• 从功能连接矩阵中提取低维、有意义的特征，而无需依赖先前的诊断标签或预定义的网络模型。
• 利用基于VAE的生成器可视化并解释学习到的特征，生成对应极端值的合成功能连接矩阵。
• 研究识别出的功能连接特征与认知指标（如全量表智商）之间的关系。

提出的方法

• 基于ABIDE数据集中的972名受试者（ASD 465名，对照组507名）的静息态fMRI数据，使用90个预定义脑区构建功能连接矩阵。
• 对每位受试者的连接矩阵应用变分自编码器（VAE），学习包含2个特征的低维连续潜在表征，以捕捉非线性和多变量模式。
• VAE以无监督方式训练，不使用诊断标签，以保留功能连接数据的内在结构。
• 对ASD组与对照组的潜在特征进行统计比较，以识别显著差异。
• 使用基于VAE的生成器通过生成对应ASD相关特征极端值的合成功能连接矩阵，实现对学习特征的可视化。
• 通过相关性分析评估ASD相关特征与全量表智商之间的关系。

实验结果

研究问题

• RQ1 如何通过数据驱动的深度学习方法识别ASD中的多变量、非线性功能连接模式？
• RQ2 在ASD中，哪些脑网络连接与识别出的功能连接特征关联最强？
• RQ3 识别出的功能连接特征如何与认知表现（尤其是全量表智商）相关？
• RQ4 深度生成模型能否有效可视化并解释从ASD数据中学到的功能连接模式？
• RQ5 VAE-based特征提取方法在多大程度上揭示了超越传统单变量分析的、一致且具有生物学合理性的ASD连接破坏模式？

主要发现

• 通过VAE提取的单一功能连接特征在ASD患者与神经发育正常对照组之间表现出统计显著差异（p < 0.05）。
• ASD相关特征与额顶叶连接、背侧内侧前额叶皮层的相互连接以及皮质纹状体通路最为密切相关。
• 识别出的特征与全量表智商呈负相关趋势，提示ASD中连接破坏可能与认知能力存在潜在关联。
• 基于VAE的生成器成功生成了反映ASD相关模式的真实感虚拟功能连接矩阵，实现了对学习特征的可视化解释。
• 数据驱动的深度学习方法揭示了传统fMRI连接分析未能一致检测到的ASD中复杂、非线性的连接模式。
• 该方法展示了在无需预设网络结构假设的前提下，揭示神经发育障碍中细微、多变量脑网络异常的潜力。