程 超，黨偉超，白尚旺，潘理虎,2，劉春霞

(1.太原科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024；2.中國(guó)科學(xué)院 地理科學(xué)與技術(shù)學(xué)院，北京 100101)

自閉癥(autism spectrum disorder,ASD)是一種神經(jīng)系統(tǒng)的發(fā)育障礙，起病于3歲之前，病程可持續(xù)一生[1]。不同年齡的患者在臨床表征上存在顯著差異，但這種差異卻很難通過影像學(xué)分析發(fā)現(xiàn)。因此，如何利用影像數(shù)據(jù)進(jìn)行特征挖掘，以期找到具有顯著差異的影像學(xué)特征并構(gòu)建分類模型就成為目前研究的熱點(diǎn)之一。

近年來，腦網(wǎng)絡(luò)的出現(xiàn)為神經(jīng)精神疾病的診斷和療效評(píng)價(jià)提供了新的視角，腦功能網(wǎng)絡(luò)是對(duì)大腦的神經(jīng)元、神經(jīng)元集群或腦區(qū)之間動(dòng)態(tài)活動(dòng)交互整合的直觀描述。腦網(wǎng)絡(luò)作為復(fù)雜網(wǎng)絡(luò)，在神經(jīng)精神疾病的研究中已經(jīng)受到了越來越多研究人員的關(guān)注，并取得了重要結(jié)論，如：阿爾茲海默[2]、精神分裂[3]、兒童多動(dòng)癥[4]、癲癇[5]、抑郁癥[6]等。一些研究將機(jī)器學(xué)習(xí)的方法應(yīng)用到腦疾病研究中，將網(wǎng)絡(luò)拓?fù)鋵傩宰鳛榉诸愄卣鬟M(jìn)行研究，構(gòu)建輔助診斷模型，并取得令人滿意的結(jié)果[7]。

將腦網(wǎng)絡(luò)應(yīng)用在自閉癥患者的研究中也取得了令人驚喜的結(jié)果。MARTINO et al[8]利用功能腦網(wǎng)絡(luò)發(fā)現(xiàn)兒童自閉癥患者的紋狀體大都表現(xiàn)出異常。在AARTHI et al[9]對(duì)ASD患者功能腦網(wǎng)絡(luò)的研究中發(fā)現(xiàn)，患者在右腦島和默認(rèn)網(wǎng)絡(luò)的其他節(jié)點(diǎn)的連接出現(xiàn)異常。MALAIA et al[10]的研究結(jié)果表明，ASD患者在任務(wù)態(tài)下，網(wǎng)絡(luò)有著較短的直徑，表明了較弱的遠(yuǎn)程連通性。上述研究證明，腦網(wǎng)絡(luò)方法可以有效地應(yīng)用在自閉癥的研究中。

盡管傳統(tǒng)的腦網(wǎng)絡(luò)分析方法可以很好地洞察網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，更好地理解疾病機(jī)制，但在網(wǎng)絡(luò)的構(gòu)建過程中仍然存在著標(biāo)準(zhǔn)化的問題[11]，如在無權(quán)網(wǎng)絡(luò)中，邊的連接密度將直接影響相關(guān)的網(wǎng)絡(luò)屬性。根據(jù)連接強(qiáng)度選擇一個(gè)閾值的主要問題在于，如果兩個(gè)網(wǎng)絡(luò)實(shí)際上是相同的，但兩個(gè)連接矩陣中連接值的不同會(huì)導(dǎo)致產(chǎn)生兩個(gè)不同稀疏度的無權(quán)網(wǎng)絡(luò)，進(jìn)一步導(dǎo)致兩個(gè)網(wǎng)絡(luò)特征值的差異。而根據(jù)平均度或者平均稀疏度來確定閾值時(shí)，網(wǎng)絡(luò)中邊的數(shù)量是固定的，但是這會(huì)導(dǎo)致產(chǎn)生虛假的連接或者排除了本應(yīng)該存在的連接。傳統(tǒng)網(wǎng)絡(luò)構(gòu)建方法的有偏性直接導(dǎo)致了在不同年齡的自閉癥患者分析中可靠性的下降。

為了解決傳統(tǒng)方法的不足之處，有的研究者利用最小生成樹(minimum spanning tree，MST)[12]這一無偏方法來構(gòu)建網(wǎng)絡(luò)。最小生成樹算法是復(fù)雜網(wǎng)絡(luò)中的經(jīng)典算法之一，通過最小生成樹可以得到網(wǎng)絡(luò)的索引結(jié)構(gòu)和概要信息，去除冗余信息。最小生成樹在數(shù)學(xué)上的定義為用最小的連接代價(jià)包含所有節(jié)點(diǎn)的子網(wǎng)絡(luò)，并且網(wǎng)絡(luò)中不存在環(huán)路。利用最小生成樹方法構(gòu)建的網(wǎng)絡(luò)即使沒有包括網(wǎng)絡(luò)中所有的連接，它仍然提供了一個(gè)具有數(shù)學(xué)定義、無偏的和具有特征的子網(wǎng)絡(luò)，具有有效的網(wǎng)絡(luò)拓?fù)湫畔ⅰ＿@種方法極大地簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，保留網(wǎng)絡(luò)核心框架，同時(shí)，又避免網(wǎng)絡(luò)稀疏度等參數(shù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)帶來的影響，已被廣泛利用在遺傳圖譜[13]、交通運(yùn)輸[14]等領(lǐng)域的研究中。LEE et al[15]首次將最小生成樹的方法應(yīng)用在腦網(wǎng)絡(luò)的分析中，在隨后的研究中，特別是一些精神疾病的研究[16]，最小生成樹的方法也得到了越來越多的運(yùn)用。

為了挖掘自閉癥患者不同年齡分組間的顯著影像學(xué)特征，本文利用最小生成樹方法來進(jìn)行不同年齡的自閉癥患者的差異分析，并構(gòu)建分類模型。首先，構(gòu)建三組自閉癥患者(兒童、青少年、成人)的最小生成樹功能腦網(wǎng)絡(luò)。接下來進(jìn)行全腦范圍的指標(biāo)分析，計(jì)算度、介數(shù)和離心率等網(wǎng)絡(luò)指標(biāo)，并利用統(tǒng)計(jì)方法，尋找組間差異指標(biāo)。之后，將差異指標(biāo)作為分類特征，進(jìn)而分析和觀察自閉癥患者在不同階段的腦網(wǎng)絡(luò)特征。最后，利用支持向量機(jī)(support vector machine，SVM)分類算法進(jìn)行分類研究，建立多參數(shù)尋優(yōu)分類框架，完成分類器的構(gòu)建。本文工作說明MST方法可以有效地區(qū)分不同年齡階段的自閉癥患者，為影像學(xué)分析自閉癥患者不同年齡階段的差異和臨床表征提供了新的方法和重要參考。研究框架如圖1所示。

1 數(shù)據(jù)的采集與預(yù)處理

1.1 被試的選擇

研究中，共收集了105名被試，全部實(shí)驗(yàn)數(shù)據(jù)均來自公開的ABIDE數(shù)據(jù)庫(http://fcon_1000.proj ects.nitrc.org/indi/abide/)。被試按照年齡分為三組：兒童(<11歲)40例；青少年(11～18歲)40例；成人(>18歲)25例。

所有被試均為被確診的自閉癥患者，臨床診斷是基于精神障礙與統(tǒng)計(jì)手冊(cè)(diagnostic and statis-tical manual of mental disorders，MSMMD)的診斷標(biāo)準(zhǔn)，用自閉癥診斷觀察量表[17](autism diagnostic observation schedule，ADOS)或自閉癥診斷訪談[18](autism diagnostic interview，ADI)來診斷。同時(shí)采用嚴(yán)格的排除標(biāo)準(zhǔn)：罹患嚴(yán)重的軀體疾病或神經(jīng)系統(tǒng)疾??；妊娠或哺乳期婦女；體格檢查發(fā)現(xiàn)有異常生化指標(biāo)或腦電圖、心電圖異常者。所有被試都為右利手，且性別對(duì)實(shí)驗(yàn)無顯著性影響。所有被試的相關(guān)信息如表1所示，p值由T檢驗(yàn)獲得。為了分析不同年齡自閉癥患者的顯著差異，同時(shí)說明MST方法的泛化性，研究中共設(shè)定兩組對(duì)比，兒童-青少年以及青少年-成人。

圖1 研究框架Fig.1 Research framework

兒童vs青少年兒童青少年p值人數(shù)(男/女)31/923/170.056利手人數(shù)(右/左)40/040/0-ADI19.320.45-ADOS7.568.64-青少年vs成人青少年成人p值人數(shù)(男/女)23/1714/110.16利手人數(shù)(右/左)40/025/0-ADI20.4518-ADOS8.647.41-

1.2 數(shù)據(jù)采集及預(yù)處理

本研究中所采用的為西門子3T超導(dǎo)MRI掃描儀(siemens trio 3-tesla scanner，siemens，erlangen，germany)，所有掃描由熟悉磁共振的放射科醫(yī)生進(jìn)行。在掃描期間，要求被試放松，閉眼，保持清醒不能睡著。掃描參數(shù)具體為：33層，射頻重復(fù)時(shí)間(TR)為2 000 ms，回波時(shí)間(TE)為30 ms，皮層厚度為4 mm，視野范圍(FOV)為192 mm×192 mm，翻轉(zhuǎn)角90°，共采集248個(gè)時(shí)間點(diǎn)。

圖像預(yù)處理使用SPM8(http://www.fil.ion. ucl.ac.uk/spm)進(jìn)行。首先對(duì)數(shù)據(jù)集進(jìn)行時(shí)間片校正和頭動(dòng)校正。丟棄頭動(dòng)大于3 mm或轉(zhuǎn)動(dòng)大于3°的被試數(shù)據(jù)，丟棄的數(shù)據(jù)不包含在最終的105例被試中。然后，圖像進(jìn)行12維度的優(yōu)化仿射變換，將其標(biāo)準(zhǔn)化到3 mm體素的MNI標(biāo)準(zhǔn)空間中。最后進(jìn)行線性降維和低頻波處理(0.01～0.10 Hz)，以減少低頻漂移和高頻生理噪聲的影響。

2 最小生成樹的構(gòu)建

2.1 節(jié)點(diǎn)的定義

節(jié)點(diǎn)是網(wǎng)絡(luò)中的重要組成部分，定義節(jié)點(diǎn)時(shí)應(yīng)保持節(jié)點(diǎn)的外部獨(dú)立性及內(nèi)部一致性。既要保證節(jié)點(diǎn)內(nèi)部所負(fù)載的信息是相同的，又要保證節(jié)點(diǎn)之間的差異性，如果兩個(gè)節(jié)點(diǎn)近乎相同，那其間的交互作用便失去了意義。因此，節(jié)點(diǎn)定義時(shí)應(yīng)由封裝具有內(nèi)部完整且外部獨(dú)立的信息組成。本文選用公認(rèn)標(biāo)準(zhǔn)腦解剖圖譜AAL模板(automated anatomical labeling，AAL)[19]對(duì)預(yù)處理后的影像數(shù)據(jù)進(jìn)行區(qū)域分割，將全腦分割成90個(gè)區(qū)域，其中左右半腦各45個(gè)區(qū)域。根據(jù)劃分的90個(gè)腦區(qū)，計(jì)算每個(gè)腦區(qū)中所包含的所有體素在不同時(shí)間點(diǎn)上的血氧水平依賴(blood oxygenation level dependent，BOLD)的算術(shù)平均值，得到腦區(qū)的平均時(shí)間序列。

2.2 邊的定義

在網(wǎng)絡(luò)中，有向邊要求節(jié)點(diǎn)間具有因果關(guān)系，而無向邊則不要求。在神經(jīng)系統(tǒng)的研究中，神經(jīng)元之間相互作用的因果關(guān)系并不容易估算，因此在其網(wǎng)絡(luò)構(gòu)建時(shí)往往建立無向邊。在功能連接角度上，邊可以看作為空間上相關(guān)孤立的節(jié)點(diǎn)在時(shí)間上的行為一致性，定義邊的關(guān)鍵問題在于通過什么指標(biāo)來有效的量化節(jié)點(diǎn)間的統(tǒng)計(jì)依賴關(guān)系。

偏相關(guān)系數(shù)在功能連接中往往被用來描述節(jié)點(diǎn)間的時(shí)間序列相關(guān)性，由于它可以排除其他節(jié)點(diǎn)對(duì)特定節(jié)點(diǎn)關(guān)聯(lián)性的影響，能有效排除偽連接，因此，本研究采用了偏相關(guān)系數(shù)作為網(wǎng)絡(luò)中邊的定義。首先，對(duì)所得到的每個(gè)腦區(qū)的時(shí)間序列進(jìn)行多元線性回歸，來去除混雜因素的影響。所用方法如下所示：

(1)

式中：xi和xj分別表示體素i和j體素的時(shí)間序列；之后，利用所得到的殘差，兩兩之間進(jìn)行偏相關(guān)計(jì)算，得到90×90的關(guān)聯(lián)矩陣；最后，使用基于KRUSKAL[20]算法的最小生成樹方法，對(duì)網(wǎng)絡(luò)進(jìn)行稀疏化，保留對(duì)網(wǎng)絡(luò)性能影響較大的邊，由此得到最小生成樹功能網(wǎng)絡(luò)。

2.3 生成算法

最小生成樹算法是圖論中的經(jīng)典算法之一，通過最小生成樹去除冗余的信息得到圖的概要信息和索引結(jié)構(gòu)。本文使用基于KRUSKAL算法[20]的最小生成樹方法來對(duì)網(wǎng)絡(luò)進(jìn)行稀疏化，提升網(wǎng)絡(luò)的性能，用最大的鏈接權(quán)重即網(wǎng)絡(luò)中最強(qiáng)的連接來開始算法，構(gòu)建MST步驟如下：

1) 將鏈接權(quán)重按照降序排列。

2) 從降序排列中依次選取權(quán)重最大的邊，直到所有的節(jié)點(diǎn)都包含在內(nèi)。若共有N個(gè)節(jié)點(diǎn)，則KRUSKAL算法停止時(shí)，存在N-1條邊。

3) 在這個(gè)過程中，如果額外的鏈接構(gòu)成了循環(huán)，則丟棄這個(gè)鏈接。

3 特征選擇及分類器構(gòu)建

3.1 特征選擇

特征選擇方法可以用來識(shí)別和提取有用的數(shù)據(jù)，去除掉不需要的冗余數(shù)據(jù)，即從整個(gè)特征集合中選取最有識(shí)別度、代表性的特征子集，對(duì)建立準(zhǔn)確的預(yù)測(cè)模型起著關(guān)鍵性的作用。

研究中用3個(gè)節(jié)點(diǎn)屬性(度、介數(shù)和離心率)來衡量復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的屬性。

度(Degree)被定義為與節(jié)點(diǎn)直接相連的邊數(shù)。公式如下[21]：

(2)

式中：aij表示在網(wǎng)絡(luò)中第i個(gè)節(jié)點(diǎn)和第j個(gè)節(jié)點(diǎn)之間的連接數(shù)，N為節(jié)點(diǎn)總數(shù)。

介數(shù)(betweenness centrality)是用來刻畫網(wǎng)絡(luò)中節(jié)點(diǎn)作用和地位的統(tǒng)計(jì)指標(biāo)，介數(shù)最大的節(jié)點(diǎn)被認(rèn)為是網(wǎng)絡(luò)中的核心節(jié)點(diǎn)。其公式可以表示為：

(3)

離心率(Eccentricity)表示由參考節(jié)點(diǎn)到任意節(jié)點(diǎn)的最長(zhǎng)的最短路徑，公式如下：

Ei=max{d(i,j)|j∈N} .

(4)

式中：d(i,j)表示從節(jié)點(diǎn)i到節(jié)點(diǎn)j的最短路徑。

計(jì)算每例被試最小生成樹的度、介數(shù)和離心率，在屬性計(jì)算結(jié)束后，分別對(duì)兒童-青少年、青少年-成人進(jìn)行Kolmogorov-Smirnov非參數(shù)置換檢驗(yàn)[22]，對(duì)270個(gè)指標(biāo)(90個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)有3個(gè)局部屬性)進(jìn)行統(tǒng)計(jì)分析，檢驗(yàn)標(biāo)準(zhǔn)為統(tǒng)計(jì)顯著性p≤0.05，根據(jù)p值做出統(tǒng)計(jì)結(jié)論，判斷兩組組間數(shù)據(jù)是否存在顯著性差異，并選取顯著性差異腦區(qū)作為后續(xù)分類特征。此后，本文利用FDR(false-discovery rate)(p=0.05)對(duì)結(jié)果進(jìn)行校正。FDR方法能夠在多重比較中較好地控制總I型錯(cuò)誤率，更適合小樣本比較結(jié)果的校正。

3.2 分類器構(gòu)建

為得出最優(yōu)的參數(shù)組合，本文給出了一個(gè)多參數(shù)尋優(yōu)的框架，通過該框架參數(shù)最優(yōu)化的同時(shí)，也能夠防止過擬合，使特征選擇和分類結(jié)果更加精確有效，提高分類器的泛化性能?？蚣馨ㄒ韵?個(gè)步驟：

1) 首先將輸入的數(shù)據(jù)集A按3∶1的比例分為兩組，數(shù)據(jù)子集B(訓(xùn)練集)和數(shù)據(jù)子集C(測(cè)試集)。

2) 將步驟1)所得到的數(shù)據(jù)子集B(訓(xùn)練集)，按照不同的特征選擇參數(shù)和分類器參數(shù)組合，構(gòu)建分類器，然后根據(jù)每一組參數(shù)組合在數(shù)據(jù)子集C(測(cè)試集)的結(jié)果的好壞，得出最優(yōu)的參數(shù)組合。

3) 最后在整個(gè)數(shù)據(jù)集上利用交叉驗(yàn)證方法(9∶1)進(jìn)行特征選擇和分類，即將最優(yōu)的參數(shù)組合應(yīng)用在整個(gè)輸入的數(shù)據(jù)集A上，輸出分類器。

本文使用基于RBF核函數(shù)方法的支持向量機(jī)(support vector machine，SVM)[23]進(jìn)行分類。SVM分類器通過非線性變化將原始數(shù)據(jù)轉(zhuǎn)化到一個(gè)高維的特征空間，尋求一個(gè)最大化類間間隔的超平面，將一個(gè)類的樣本與其他類的樣本相分離。它在處理高維、非線性、小樣本數(shù)據(jù)時(shí)，具有獨(dú)特的優(yōu)勢(shì)。研究中，使用100次10折交叉驗(yàn)證(10 fold cross validation)的方法評(píng)估構(gòu)建的分類器性能。具體來說，將包含L個(gè)被試的數(shù)據(jù)集隨機(jī)的分成10個(gè)部分，逐一將其中的一個(gè)部分作為測(cè)試集，其余9份作為訓(xùn)練集。本實(shí)驗(yàn)使用基于MATLAB的LIBSVM工具包進(jìn)行。

4 結(jié)果與分析

4.1 兒童-青少年異常拓?fù)鋵傩苑治?/h3>

本文針對(duì)兒童-青少年被試完成基于最小生成樹的腦網(wǎng)絡(luò)構(gòu)建后，分別計(jì)算了3個(gè)節(jié)點(diǎn)屬性(度、介數(shù)和離心率)，并進(jìn)行組間非參數(shù)置換檢驗(yàn)。結(jié)果顯示，兩組對(duì)比的大腦區(qū)域存在顯著的組間差異，并且3個(gè)節(jié)點(diǎn)屬性都表現(xiàn)出了顯著性的差異，如圖2所示。

圖2 兒童-青少年組間顯著差異腦區(qū)Fig.2 Salient different brain regions of children-adolescents group

兒童-青少年的比較結(jié)果顯示，出現(xiàn)顯著異常的腦區(qū)有背外側(cè)額上回、眶部額上回、額中回、眶部額中回、直回、后扣帶回、楔前葉、尾狀核、顳橫回、顳上回、顳中回區(qū)域(p<0.05，F(xiàn)DR校驗(yàn))，其中，在尾狀核區(qū)域青少年的度及介數(shù)值高于兒童，其他區(qū)域?qū)傩灾稻鶠閮和M顯著高于青少年組(如表2所示)。表2表明了腦區(qū)特征的異常區(qū)域及p值。

尾狀核是人運(yùn)動(dòng)控制網(wǎng)絡(luò)的重要節(jié)點(diǎn)[24]，這一結(jié)果表明，自閉癥患者從兒童到青少年階段，隨著年齡的增長(zhǎng)，行為能力有所提升，這與UDDIN et al[25]的發(fā)現(xiàn)一致。背外側(cè)額上回、額中回的損害會(huì)造成人精神、情感、人格、行為和智能障礙，眶部額上回、直回的病變會(huì)影響人體嗅覺高級(jí)中樞，作為邊緣系統(tǒng)之一的后扣帶回，又和人內(nèi)臟活動(dòng)、情緒行為活動(dòng)息息相關(guān)，楔前葉與許多高水平的認(rèn)知有關(guān)，如情景記憶、自我相關(guān)的信息處理以及意識(shí)的各個(gè)方面，顳橫回、顳上回、顳中回的病變會(huì)引起人格改變，同時(shí)伴有記憶障礙，聽覺障礙等[26]。這些區(qū)域包括了楔前葉、顳上回、后扣帶回等默認(rèn)網(wǎng)絡(luò)[27]的關(guān)鍵區(qū)域，在自閉癥的病理研究中，默認(rèn)網(wǎng)絡(luò)被廣泛認(rèn)為是自閉癥的主要病理環(huán)路。

表2 兒童-青少年局部屬性顯著性差異區(qū)域Table 2 Local attribute saliency difference region analysis of children-adolescents

4.2 青少年-成人異常拓?fù)鋵傩苑治?/h3>

青少年-成人被試用同樣的方式作出分析。結(jié)果顯示，3個(gè)節(jié)點(diǎn)屬性也都表現(xiàn)出了顯著性差異，兩組大腦區(qū)域也存在顯著的組間差異，如圖3所示。

圖3 青少年-成人組間顯著差異腦區(qū)Fig.3 Salient different brain regions of adolescents-adults group

青少年-成人的比較結(jié)果顯示，出現(xiàn)顯著異常的腦區(qū)有中央前回、眶部額下回、眶內(nèi)額上回、前扣帶和旁扣帶腦回、后扣帶回、海馬、緣上回、顳中回區(qū)域(p<0.05，F(xiàn)DR校驗(yàn))如表3所示。表3表明了腦區(qū)特征的異常區(qū)域及p值。

表3 青少年-成人組局部屬性顯著性差異區(qū)域Table 3 Local attribute saliency difference region analysis of adolescents-adults

其中，在眶內(nèi)額上回區(qū)域青少年的介數(shù)值高于成人，眶內(nèi)額上回區(qū)域與智力和精神活動(dòng)有關(guān)[26]，這一結(jié)果也與UDDIN et al[28]的另一個(gè)發(fā)現(xiàn)相一致，他認(rèn)為認(rèn)知導(dǎo)向的區(qū)域在ASD中會(huì)隨著年齡的增加而活動(dòng)減退。而其他區(qū)域的屬性值均為成人組高，中央前回又被稱為第一運(yùn)動(dòng)區(qū)，與人的軀體運(yùn)動(dòng)有關(guān)，后扣帶回、海馬等邊緣系統(tǒng)與人體內(nèi)臟活動(dòng)、情緒、行為有關(guān)，顳中回區(qū)域與聽覺整合及聽覺視覺記憶有關(guān)，這表明成人患者在運(yùn)動(dòng)、視聽覺記憶等方面功能較優(yōu)于青少年患者[29]。在基于MST方法對(duì)青少年和成人ASD患者腦網(wǎng)絡(luò)的構(gòu)建與分析中，出現(xiàn)顯著性異常的這些區(qū)域包含了額上回、后扣帶回、海馬等默認(rèn)網(wǎng)絡(luò)關(guān)鍵區(qū)域，因此這些顯著性差異腦區(qū)符合默認(rèn)網(wǎng)絡(luò)的病理變化。本研究從MST腦網(wǎng)絡(luò)分析的角度為證明默認(rèn)網(wǎng)絡(luò)為自閉癥病理環(huán)路提供了新的證據(jù)。

4.3 分類結(jié)果

本文計(jì)算所有被試的3個(gè)節(jié)點(diǎn)屬性(度、介數(shù)和離心率)，并進(jìn)行組間非參數(shù)置換檢驗(yàn)，得到16個(gè)(兒童-青少年)和13個(gè)(青少年-成人)特征點(diǎn)指標(biāo)(p<0.05，F(xiàn)DR校驗(yàn))，將其腦區(qū)指標(biāo)提取作為分類特征，采用機(jī)器學(xué)習(xí)方法來構(gòu)建分類模型。兒童-青少年組正確率達(dá)到了80.38%，青少年-成人組正確率達(dá)到了81.88%.結(jié)果表明，自閉癥患者在兒童、青少年和成年后都表現(xiàn)出了顯著性差異，即隨著年齡的不同，自閉癥患者之間也是存在顯著的不同。基于最小生成樹的功能連接網(wǎng)絡(luò)的自閉癥靜息態(tài)功能磁共振成像分類方法可以區(qū)分出不同年齡的自閉癥患者。

與不同研究者的分類結(jié)果相比(如表4所示)，本文使用了最小生成樹的方法來構(gòu)建網(wǎng)絡(luò)，避免了傳統(tǒng)方法的閾值選擇等方法論的問題，同時(shí)采用了新的SVM分類框架，實(shí)驗(yàn)結(jié)果取得很好的效果。

表4 相似工作分類結(jié)果比較Table 4 Classification comparisons with prior similar methods

4.4 SVM參數(shù)對(duì)分類結(jié)果的影響

本文使用基于RBF核函數(shù)的SVM分類器，在模型中，懲罰因子C和RBF核函數(shù)中的核參數(shù)γ是兩個(gè)重要參數(shù)[34]，懲罰因子C可以在確定的數(shù)據(jù)子空間中調(diào)節(jié)置信區(qū)間范圍，而核參數(shù)γ的改變隱含地改變映射函數(shù)，從而改變樣本數(shù)據(jù)子空間分布的復(fù)雜程度，也就決定了線性分類達(dá)到最小誤差。

在SVM分類器中，對(duì)于不同的數(shù)據(jù)集，要想得到最優(yōu)的分類性能，使用LIBSVM默認(rèn)的參數(shù)設(shè)置往往是不夠的。也就是說，針對(duì)不同的數(shù)據(jù)集，需要對(duì)參數(shù)進(jìn)行不同的設(shè)置，從而得到最優(yōu)的分類結(jié)果。本文在當(dāng)前的數(shù)據(jù)集下，采用基于網(wǎng)格搜索(gird serach,GS)的SVM參數(shù)尋優(yōu)方法，分別選取了不同的參數(shù)組合，其中C∈[1,2,…,9,10]，γ∈[0,0.05,…,0.40,0.45]，采用交叉驗(yàn)證的方式，在不同的參數(shù)組合中得到了最優(yōu)參數(shù)。在當(dāng)前數(shù)據(jù)集下，當(dāng)C=3，γ=0.15時(shí)，分類準(zhǔn)確率最高。如圖4所示。

圖4 不同參數(shù)設(shè)置下的精確度Fig.4 Accuracy under different parameters

5 結(jié)束語

本文基于最小生成樹方法，利用靜息態(tài)功能磁共振影像數(shù)據(jù)，構(gòu)建出自閉癥患者3個(gè)年齡階段(兒童、青少年、成人)的功能腦網(wǎng)絡(luò)，利用MST，通過復(fù)雜網(wǎng)絡(luò)理論的方法計(jì)算了相關(guān)指標(biāo)，然后進(jìn)行統(tǒng)計(jì)分析來尋求兒童-青少年和青少年-成人組間的顯著性差異。在兩個(gè)不同對(duì)比的結(jié)果中，均發(fā)現(xiàn)了與前人一致的差異區(qū)域。這些區(qū)域包括了默認(rèn)網(wǎng)絡(luò)的關(guān)鍵區(qū)域，目前的大量研究也表明自閉癥與默認(rèn)網(wǎng)絡(luò)有密切聯(lián)系。結(jié)果說明，MST在不同年齡分組的分析中，均可以進(jìn)行有效的顯著差異分析。本文結(jié)果為驗(yàn)證自閉癥患者不同年齡表現(xiàn)出的差異，及證明默認(rèn)網(wǎng)絡(luò)與自閉癥的病理變化密切相關(guān)，從MST腦網(wǎng)絡(luò)分析的角度提供了新的證據(jù)。

此外，本文利用顯著性差異，結(jié)合多參數(shù)尋優(yōu)框架，在兩個(gè)分組對(duì)比中，分別構(gòu)建了分類模型。結(jié)果顯示，具有組間差異的腦網(wǎng)絡(luò)指標(biāo)作為有效的分類特征的可行性。和傳統(tǒng)方法相比，MST方法可以避免閾值設(shè)置等問題引起的計(jì)算偏差，有助于網(wǎng)絡(luò)之間的比較。本文方法為功能腦網(wǎng)絡(luò)構(gòu)建提供了核心方法，為不同年齡自閉癥患者在影像學(xué)上的分析及輔助診斷提供了新的方法和重要的輔助工具，避免了傳統(tǒng)評(píng)估方法的弊端，具有很好的臨床意義。

：

[1] WING L,LEEKAM S R,LIBBY S J,et al.The diagnostic interview for social and communication disorders:background,inter-rater reliability and clinical use[J].Journal of Child Psychology & Psychiatry & Allied Disciplines,2002,43(3):307-325.

[2] STAM C J,JONES B F,NOLTE G,et al.Small-world networks and functional connectivity in Alzheimer's disease[J].Cereb Cortex,2007,17(1):92-99.

[3] MICHELOYANNIS S,PACHOU E,STAM C J,et al.Small-world networks and disturbed functional connectivity in schizophrenia[J].Schizophrenia Research,2006,87(1/3):60.

[4] WANG L,ZHU C,HE Y,et al.Altered small-world brain functional networks in children with attention-deficit/hyperactivity disorder[J].Human Brain Mapping,2009,30(2):638-649.

[5] PONTEN S C,BARTOLOMEI F,STAM C J.Small-world networks and epilepsy:graph theoretical analysis of intracerebrally recorded mesial temporal lobe seizures[J].Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology,2007,118(4):918.

[6] LEISTEDT S J,COUMANS N,DUMONT M,et al.Altered sleep brain functional connectivity in acutely depressed patients[J].Human Brain Mapping,2009,30(7):2207-2219.

[7] GUO H,CAO X,LIU Z,et al.Machine learning classifier using abnormal brain network topological metrics in major depressive disorder[J].Neuroreport,2012,23(17):1006-1011.

[8] MARTINO A D,KELLY C,GRZADZINSKI R,et al.Aberrant striatal functional connectivity in children with autism[J].Biological Psychiatry,2011,69(9):847.

[9] AARTHI P,ANDREW L,WILLIAM F,et al.Age related changes in striatal resting state functional connectivity in autism[J].Frontiers in Human Neuroscience,2013,7(814):814.

[10] MALAIA E,BATES E,SEITZMAN B,et al.Altered brain network dynamics in youths with autism spectrum disorder[J].Exp Brain Res,2016,234(12):1-7.

[11] STAM C J,TEWARIE P,VAN DELLEN E,et al.The trees and the forest:Characterization of complex brain networks with minimum spanning trees[J].Int J Psychophysiol,2014,92(3):129-138.

[12] TEWARIE P,HILLEBRAND A,SCHOONHEIM M M,et al.Functional brain network analysis using minimum spanning trees in Multiple Sclerosis:an MEG source-space study[J].Neuroimage,2014,88:308-318.

[13] KING B M,TIDOR B.MIST:Maximum information spanning trees for dimension reduction of biological data sets[J].Bioinformatics,2009,25(9):1165-1172.

[14] WU Z,BRAUNSTEIN L A,HAVLIN S,et al.Transport in weighted networks:partition into superhighways and roads[J].Physical Review Letters,2006,96(14):148702.

[15] LEE U,KIM S,JUNG K Y.Classification of epilepsy types through global network analysis of scalp electroencephalograms[J].Phys Rev E Stat Nonlin Soft Matter Phys,2006,73(1):041920.

[16] HERBERT M R,ZIEGLER D A,DEUTSCH C K,et al.Dissociations of cerebral cortex,subcortical and cerebral white matter volumes in autistic boys[J].Brain,2003,126(5):1182.

[17] FIRST M,SPITZER R,GIBBON M,et al.Structured clinical interview for DSM-IV axis I disorders[M].USA:American Psychiatric Press,1997.

[18] LORD C,RISI S,LAMBRECHT L,et al.The autism diagnostic observation schedule-generic:a standard measure of social and communication deficits associated with the spectrum of autism[J].J Autism Dev Disord,2000,30(3):205-223.

[19] TZOURIO MAZOYER N,LANDEAU B,PAPATHANASSIOU D,et al.Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain[J].Neuroimage,2002,15:273-289.

[20] KRUSKAL J B.On the shortest spanning tree of a graph and the travelling salesman problem[C]∥Proc Amer Math Soc,1956:48-50.

[21] TEWARIE P,VAN D E,HILLEBRAND A,et al.The minimum spanning tree:an unbiased method for brain network analysis[J].Neuroimage,2015,104:177.

[22] MASSEY F J.The Kolmogorov-Smirnov test for goodness of fit[J].Journal of the American Statistical Association,1951,46(253):68-78.

[23] CHEN X,YANG J,YE Q,et al.Recursive projection twin support vector machine via within-class variance minimization[J].Pattern Recognition,2011,44(10):2643-2655.

[24] KURZ A,POHL C,RAMSENTHALER M,et al.Cognitive rehabilitation in patients with mild cognitive impairment[J].International Journal of Geriatric Psychiatry,2009,24(2):163-168.

[25] UDDIN L Q,SUPEKAR K,LYNCH C J,et al.Brain state differentiation and behavioral inflexibility in autism[J].Cereb Cortex,2015,25(12):4740.

[26] ROZZINI L,COSTARDI D,CHILOVI B V,et al.Efficacy of cognitive rehabilitation in patients with mild cognitive impairment treated with cholinesterase inhibitors[J].International Journal of Geriatric Psychiatry,2007,22(4):356-360.

[27] WIGGINS J L,PELTIER S J,ASHINOFF S,et al.Using a self-organizing map algorithm to detect age-related changes in functional connectivity during rest in autism spectrum disorders[J].Brain Research,2011,1380:187-197.

[28] UDDIN L Q,SUPEKAR K S,RYALI S,et al.Dynamic reconfiguration of structural and functional connectivity across core neurocognitive brain networks with development[J].Journal of Neuroscience,2011,31(50):18578-18589.

[29] KILLIAN N J,JUTRAS M J,BUFFALO E A.A map of visual space in the primate entorhinal cortex[J].Nature,2012,491(7426):761.

[30] WEE C Y,YANG S,YAP P T,et al.Sparse temporally dynamic resting-state functional connectivity networks for early MCI identification[J].Brain Imaging & Behavior,2016,10(2):342-356.

[31] OIKONOMOU P,PAPAGEORGIOU E I.Particle swarm optimization approach for fuzzy cognitive maps applied to autism classification[M].Heidelberg:Springer Berlin,2013.

[32] SINGH V,MUKHERJEE L,CHUNG M K.Cortical surface thickness as a classifier:boosting for autism classification[M].Heidelberg:Springer Berlin,2008.

[33] WEE C Y,YAP P T,ZHANG D,et al.Group-constrained sparse fMRI connectivity modeling for mild cognitive impairment identification[J].Brain Structure & Function,2014,219(2):641-656.

[34] LIU R,LIU E,YANG J,et al.Optimizing the hyper-parameters for SVM by combining evolution strategies with a grid search[J].Lecture Notes in Control & Information Sciences,2006,344:712-721.