0 引言

       多动症是青少年最常见的神经发育疾病之一。其全球患病率长期保持在5.3%左右^[1]。特别在儿童中患病率约为5%~8%^[2]。据统计，三分之二的受影响儿童在成年后仍有症状，成年人的患病率达2%~3%^[3]。多动症主要表现为注意力不集中、多动和冲动。注意力是指人的心理活动指向和集中于某种事物的能力，是一种关键的认知过程^[4]。目前，多动症的注意力评估主要依赖于临床医生的经验和标准化的评估量表，缺乏一种科学稳定的生物学指标^[5]。随着神经影像技术的进步，研究者们开始探索更加客观和量化的方法来评估和理解多动症。近年来，研究人员基于功能MRI建立模型来预测注意力^[6]。尽管功能MRI具有其优势^[7]，但结构MRI具有更高的可重复性^[8]。

       T1加权MRI（T1-weighted MRI, T1W-MRI）是研究大脑解剖结构最常用的方法^{[9, 10]}。基于T1W-MRI的个体化形态学网络为研究人脑连接组提供了新的视角^[11]。个体化形态学网络在脑认知与脑疾病中具有较高的可重复性和一致性^[12]。基于皮层厚度构建的协方差网络可以发现脑疾病的脑网络标记、识别脑疾病亚型^{[13, 14]}。个体化形态学网络的构建方法正在成为脑科学研究的一个重要领域^[15]。然而，现有的形态网络大多基于脑区内均值的相关性、散度、距离和偏差等简单特征方法^[11]，忽视了脑区内部包含的丰富信息。

       影像组学通过对信号强度的空间分布和像素相互关系进行特征提取来解决该局限性^[16]。影像组学最初用于癌症等相关疾病的早期诊断、预后评估和治疗响应预测^[16]。最近的研究表明，影像组学已逐步应用于脑科学研究，例如基于影像组学特征对多动症的智能识别^[17]，以及结合表面值、灰质体积和临床指标构建混合模型开展多动症的诊断^[18]。然而，如何有效利用影像组学方法构建脑网络的方法尚不成熟，需要进一步探究。

       本研究旨在建立一套基于T1W-MRI的个体化影像组学脑网络构建方法，并将其用于注意力缺陷症状的评测，挖掘注意力缺陷的生物标志物。本研究的主要内容包括：基于体素级皮层厚度的影像组学特征提取、体素级脑影像组学特征可重复性分析、个体化影像组学脑网络构建方法以及基于影像组学脑网络的多动症注意力缺陷评估。通过影像组学可重复性分析实现特征选择，建立可靠的个体化影像组学脑网络；通过预测模型验证个体化影像组学脑网络的个体差异，揭示其在注意力缺陷研究中的价值。

1 材料与方法

1.1 研究对象

       本研究使用两组公开脑影像数据集。第一组为健康志愿者组，数据来自Kirby-21数据集（https://github.com/neuroconductor/kirby21.mricloud）包含21 例健康志愿者的磁共振扫描数据，且志愿者无神经系统疾病史。所有志愿者在两周的时间间隔内完成了两次磁共振扫描，使用3 T 磁共振扫描仪（Achieva, Philips Healthcare）进行脑部成像。矢状面图像的视野范围为240 mm× 204 mm× 256 mm，用于获取基于磁化准备快速梯度回波（magnetization prepared rapid gradient echo imaging, MP-RAGE）序列的T1W-MRI 图像。该研究遵守《赫尔辛基宣言》，根据数据集网站发布的信息，所有被试均签署了数据采集知情同意书，并获得相关伦理机构的批准。

       第二组为多动症混合型患者组，数据来自北京大学ADHD-200项目数据集（http://fcon_1000.projects.nitrc.org/indi/adhd200/index.html）（2012）提供了多动症患者的脑部影像。该数据集使用多动症评定量表对患者进行全面评估。混合型是多动症最常见的亚型，具有较高的临床价值和研究意义^[19]。ADHD-200项目数据集中总共有38例混合型患者。最终，选择了38例年龄为10~14 岁的多动症混合型患者进行分析。所有图像均在北京大学使用西门子TrioTim 3.0 T扫描仪生成，采用高分辨率MP-RAGE序列。该数据集为公开数据集，原始研究已获得相关伦理机构的批准，并确保所有被试签署了数据采集知情同意书。

       数据集的人口统计信息如表1所示。

点击查看表格

表1  数据集人口统计学信息表
Tab. 1  Dataset demographic information

1.2 MRI扫描参数

       健康志愿者组中每个被试两次T1W-MRI图像均使用荷兰 Philips Achieva 3.0 T MR 扫描仪及配套的8通道相控阵（SENSitivity Encoding, SENSE）头线圈采集。参数如下：分辨率为 1.2 mm×1.0 mm×1.0 mm，采集时间为6 min，TR 6.7 ms，TE 3.1 ms，TI 842 ms，翻转角 8°，视野 240 mm×256 mm，SENSE 加速度因子为2。

       多动症混合型患者组的 T1W-MRI图像使用德国 Siemens 3.0 T MAGNETOM Trio Tim扫描仪及 8 通道头线圈采集。参数如下：分辨率为1.3 mm×1.0 mm×1.3 mm，每层切片 128，TR 2530 ms、TE 3.39 ms，TI 1100 ms，翻 转 角 9°，视 野 250 mm× 250 mm。总采集时间为 8 min。

1.3 图像预处理

       使用工具包Advanced Normalization Tools (ANTs)（版本2.5.0，https://github.com/ANTsX/ANTs）进行图像预处理。预处理包括提取皮层厚度和空间模板映射这两个阶段。在提取皮层厚度阶段，基于OASIS模板（https://figshare.com/articles/dataset/ANTs_ANTsR_Brain_Templates/915436）将原始T1W-MRI数据进行皮层厚度提取。在空间模板映射阶段，将得到的皮层厚度数据映射到标准MNI152（https://neuroconductor.org/help/MNITemplate/）模板空间。

1.4 体素级影像组学特征提取

       体素级影像组学特征基于PyRadiomics（https://pyradiomics.readthedocs.io/en/latest）获得。从图像预处理得到的皮层厚度数据中提取影像组学特征，以获取定量信息。

       首先，使用ANTs工具包将提取的皮层厚度数据映射到MNI152模板空间。利用Analysis of Functional Neuro Images (AFNI)（https://afni.nimh.nih.gov/pub/dist/doc/htmldoc/index.html）软件将Desikan-Killiany (DK)（https://www.nitrc.org/projects/iit/）脑图谱重采样到MNI152（182×182×218）模板空间，生成相应的掩码文件。随后，基于PyRadiomics包提取每个脑区中的 657个影像组学特征。最后通过FSL软件（https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FSL）将所有特征合并为一个NIfTI 数据文件。

1.5 特征标准化与特征选择

       在完成图像预处理和特征提取后，对DK脑图谱进行重采样，使用AFNI软件将其对齐到NIfTI文件的空间分辨率（144×182×150）。皮层厚度是高度可重复性的形态学特征，指从灰质-白质表面到灰质-脑脊液表面的距离^[20]。

       基于体素级皮层厚度提取的影像组学特征可能具有不同的维度，因此特征值之间的差异可能相差很大^[21]。利用Z-Score对原始皮层厚度特征进行标准化，以消除特征间的维度和数值范围差异。处理后的数据平均值为0，标准差为1。转换公式如下：

       其中X*是变量X的变换特征值，X¯是原始数据的平均值，σ是原始数据的标准差。

       在健康志愿者组中，以DK脑图谱划分的单独脑区为单位，计算21例被试先后两次测试的组内相关系数（intra-class correlation coefficient, ICC）来评价特征的可重复性。然后，对多动症混合型患者组数据集每个脑区中的657个皮层厚度特征值进行Z-Score归一化处理。最后，根据健康志愿者组中ICC的排名，选择北京大学数据集中可重复性较高的特征用于后续分析。

1.6 个体化影像组学脑网络计算方法

       为了构建个体化影像组学脑网络，采用皮尔逊相关系数将欧几里得距离归一化为相似系数。在此方法中，通过估计脑区之间低阶形态关系的相关性来构建高阶个体化脑形态连接网络，低阶形态关系使用基于距离的方法^[11]。使用以下公式计算68个脑区之间基于特征选择后的影像组学欧几里得距离值：

       其中m是每个脑区的特征数量，Hik和 Hjk分别表示第i个和第j个脑区中的第k个影像组学特征。dij表示第i个脑区和第j个脑区之间的距离。

       最后，基于欧几里得距离矩阵的相关系数，得到一个68×68的相关性矩阵，生成值范围在-1到1的相似性脑网络。每个参与者包含全脑68个脑区之间的2278个(C682)脑区关系，如图1所示。

点击查看大图

图1  高阶个体化形态学脑连接组提取方法。1A：构建影像组学特征矩阵；1B：基于欧几里得距离计算低阶形态学脑连接组，获得脑区节点之间局部形态特征的成对关系；1C：通过低阶形态关系的相关性，构建高阶个体化形态学脑连接组。
Fig. 1  Method for extracting high-order individualized morphological brain connectomes. 1A: Construction of radiomics feature matrix; 1B: Calculation of low-order morphological brain connectomes based on Euclidean distance to obtain pairwise relationships of local morphological features between brain region nodes; 1C: Construction of high-order individualized morphological brain connectomes through correlation of low-order morphological relationships.

1.7 预测模型的建立与验证

       为了进一步验证本研究的临床应用价值，基于多动症混合型患者组影像数据，采用评估后的脑影像组学特征构建脑网络并预测注意力缺陷症状。首先，使用ICC对影像组学特征进行初步筛选；然后，应用统计检验方法进行二次特征选择。在此基础上，将影像组学脑网络及注意力缺陷症状输入支持向量回归（support vector regression, SVR）模型，并采用留一法交叉验证。通过皮尔逊相关系数计算预测结果与真实结果之间的相关性，并进行显著性检验（P<0.05表示差异具有统计学意义）。

       在模型训练过程中，首先，用留一法划分训练集和验证集。随后，在每次划分中，使用SVR模型拟合训练集，并对验证集进行预测，评估预测结果。所有分析均使用R 4.3.2（https://www.r-project.org）进行。图2展示了本研究的工作流程。

点击查看大图

图2  本研究的工作流程示意图。包括研究中执行的图像预处理、特征提取、特征选择、脑网络以及预测模型构建。ANTs：Advanced Normalization Tools；DK: Desikan-Killiany；ICC：组内相关系数；SVR：支持向量回归。
Fig. 2  Schematic diagram of the workflow of this study. Including image preprocessing, feature extraction, feature selection, brain network and prediction model construction performed in the study. ANTs: Advanced Normalization Tools; DK: Desikan-Killiany; ICC: intra-class correlation coefficient; SVR: support vector regression.

2 结果

2.1 复测信度分析

2.1.1 脑区皮层厚度影像组学特征的复测信度评估

       基于健康志愿者组数据集，采用1.2~1.4节中的方法提取21对个体的影像组学特征，并计算21例被试两次测试的ICC。根据ICC 取值区间，一致性得分分为：差（ICC≤0.2）、低（0.2<ICC≤0.4）、一般（0.4<ICC≤0.6）、良好（0.6<ICC≤0.8）和优秀（0.8<ICC≤1）^[22]。

       基于皮层厚度的影像组学特征，在ICC评估的复测信度上表现优秀，如图3所示。

点击查看大图

图3  全脑68区关于皮层厚度的ICC多级比率（百分数）。3A：Original表示从原始图像中提取特征的ICC多级比率平均值；3B：LoG表示经过LoG滤波处理后的图像，提取特征的ICC多级比率平均值；3C：Wavelet表示对经过小波变换处理后的图像，提取特征的ICC多级比率平均值；3D：Mean表示所有特征的ICC多级比率平均值。ICC：组内相关系数。
Fig. 3  ICC multi-level ratios (percentages) of cortical thickness in 68 brain regions. 3A: Original represents the average ICC multi-level ratio of features extracted from the original image; 3B: LoG represents the average ICC multi-level ratio of features extracted from the image after LoG filtering; 3C: Wavelet represents the average ICC multi-level ratio of features extracted from the image after wavelet transform processing; 3D: Mean represents the average ICC multi-level ratio of all features. ICC: intra-class correlation coefficient.

2.1.2 不同影像组学特征类型间的复测信度差异

       灰度共生矩阵特征（gray-level cooccurrence matrix, GLCM）特征在原始图像及LoG变换条件下表现较为稳定，ICC介于0.82~0.86之间；在Wavelet-HH变换方式下，GLCM特征表现最佳，达到了0.86。灰度游程矩阵特征（gray-level run-length matrix, GLRLM）特征在各变换条件下的ICC值介于0.83~0.85之间，其中Wavelet-HH变换下表现最佳，ICC为0.85。灰度大小区域矩阵特征（gray-level size zone matrix, GLSZM）特征在LoG变换条件下的ICC介于0.82~0.85之间，在小波变换的Wavelet-HH方式下达到0.84。相比之下，灰度相关矩阵特征（gray-level dependence matrix, GLDM）特征在Wavelet-LL变换方式中的ICC最低，仅为0.36，而在Wavelet-HH变换方式中表现最佳，ICC达到了0.8。相邻灰度差矩阵特征（neighbouring gray tone difference matrix, NGTDM）特征在各变换条件下ICC介于0.81~0.85之间，Wavelet-HH变换方式中表现最佳，ICC为0.84。详见图4。

点击查看大图

图4  不同类型影像组学特征在ICC评估中的表现。图中 x 轴的 1~9 分别代表原始图像经过的9类滤波器。1：原始图像（Original）；2~5：4种不同sigma值的Laplacian of Gaussian (LoG)；6~9：水平与垂直方向四种频度的小波变换（Wavelet-LL/LH/HL/HH）。ICC：组内相关系数；GLCM：灰度共生矩阵特征；GLRLM：灰度游程矩阵特征；GLSZM：灰度大小区域矩阵特征；GLDM：灰度相关矩阵特征；NGTDM：相邻灰度差矩阵特征。
Fig. 4  Performance of different types of imaging features in ICC evaluation. In the figure, 1-9 on the x-axis represent the 9 types of filters that the original image passes through. 1: Original image; 2-5: Laplacian of Gaussian (LoG) with 4 different sigma values; 6-9: Wavelet transforms with four frequencies in the horizontal and vertical directions (Wavelet-LL/LH/HL/HH). ICC: intra-class correlation coefficient; GLCM: gray-level co-occurrence matrix feature; GLRLM: gray-level run-length matrix feature; GLSZM: gray-level size zone matrix feature; GLDM: gray-level Dependence matrix feature; NGTDM: neighbouring gray-level difference matrix feature.

2.1.3 不同脑区间的复测信度差异

       对单独脑区而言，右脑提取的影像组学特征与左脑提取的影像组学特征在复测信度上的表现相对平衡。针对皮层厚度形态特征，基于左脑第 5 区（l_entorhinal，左脑内嗅皮层）、左脑第26区（l_rostralmiddlefrontal，左脑喙额中回）、左脑第31区（l_frontalpole，左脑额极）、左脑第32区（l_temporalpole，左脑颞极）、右脑第5区（r_entorhinal，右脑内嗅皮层）、右脑第13区（r_medialorbitofrontal，右脑眶额中部）、右脑第32区（r_temporalpole，右脑颞极）提取的影像组学特征，其复测信度显著低于其他脑区（P<0.05）（图5）。

       取健康志愿者组ICC排名前200的特征列数，具体阈值设定为ICC均值大于0.85。此外，在筛选出的前200个特征上进一步进行了FDR校正，以控制多重比较带来的假阳性问题。68个脑区的特征通过率达到了100%，这表明所选特征在不同个体间保持了较高的一致性。已有研究表明，高ICC意味着患者间的差异性较小^[23]。本研究使用基于R 4.3.2版本的ICC软件包（https://rdocumentation.org/packages/ICC/versions/2.4.0），对健康志愿者组进行ICC的计算。

点击查看大图

图5  不同脑区的影像组学特征在 ICC 评估中的表现。图中涉及657个影像组学特征，每个特征在68个脑区中的ICC，数字表示Z轴切片数。脑区的色度值由浅到深反映该区 ICC水平。ICC：组内相关系数。
Fig. 5  Performance of radiomic features in different brain regions in ICC assessment. The figure involves 657 radiomic features, and the ICC of each feature in 68 brain regions. The numbers indicate the number of Z-axis slices. The color value of the brain region from light to dark reflects the ICC level of the region. ICC: intra-class correlation coefficient.

2.2 机器学习模型性能及脑网络标志物

       基于影像组学脑网络的方法对多动症注意力缺陷症状进行预测。结果表明，选择ICC排名前150个和前200个的特征预测注意力缺陷症状表现出高度相关性。

       如图6所示，特征选择前150个和200个的注意力缺陷症状预测值与真实值呈正相关性，结果分别为r=0.42，P=0.03（前150个）；r=0.44，P=0.01（前200个）。

       在基于影像组学脑网络与统计检验特征选择的注意力缺陷症状预测中，注意力下降严重程度的显著相关连接集中于右脑外侧枕叶皮层和右脑横颞皮层，形成一个多中心子网络（图7）。这一结果强调了右脑枕叶皮层和右脑横颞皮层在症状强度预测中的关键作用。

       为了进一步探讨前150个和前200个高度可重复特征对于注意力缺陷症状是否具有相关影响。本研究选择在两者中均出现的脑形态连接，通过绘制散点图表征这两种特征选择下的可重复性。共同出现的脑形态连接与注意力缺陷症状显著相关系数的散点图见图8。散点图及其皮尔逊相关系数显示前150个和前200个高度可重复特征显著相关。

点击查看大图

图6  注意力缺陷症状预测分数与真实值的相关性结果。6A：前150个高度可重复特征预测的相关性结果；6B：前200个高度可重复特征预测的相关性结果。
Fig. 6  Correlation results between the predicted scores of the attention deficit symptoms and the true values. 6A: Correlation results of the predictions of the first 150 highly repeatable features; 6B: Correlation results of the predictions of the first 200 highly repeatable features.

点击查看大图

图7  注意力缺陷症状预测的显著相关脑区连接。7A：前150个高度可重复特征的注意力缺陷症状预测显著相关脑区连接；7B：前200个高度可重复特征的注意力缺陷症状预测显著相关脑区连接。TTC：横颞皮层；LOCC：外侧枕叶皮层；R：右侧；L：左侧；DK脑图谱的其他脑区名称见FreeSurfer网站（https://surfer.nmr.mgh.harvard.edu/fswiki/CorticalParcellation）。
Fig. 7  Significantly relevant brain area connections predicted by attention deficit symptoms. 7A: The attention deficit symptoms of the top 150 highly repeatable features predicts significantly related brain area connections; 7B: The attention deficit symptoms of the top 200 highly repeatable features predicts significantly related brain area connections. TTC: temporal transverse cortex; LOCC:lateral occipital cortex; R: right; L: left; the names of other brain regions in the DK brain atlas can be found on the FreeSurfer website (https://surfer.nmr.mgh.harvard.edu/fswiki/CorticalParcellation).

点击查看大图

图8  脑形态连接与注意力缺陷症状显著相关系数的散点图。横轴表示前150个可重复脑形态连接与注意力缺陷症状显著相关系数，纵轴则表示前200个可重复脑形态连接与注意力缺陷症状显著相关系数。每个数据点代表两类特征选择均出现的脑形态连接与注意力缺陷症状显著相关系数。
Fig. 8  Scatter plot of significant correlation coefficients between brain morphological connections and attention deficit symptoms. The horizontal axis represents the significant correlation coefficient between the first 150 repeatable brain morphological connections and the attention deficit symptoms, and the vertical axis represents the significant correlation coefficient between the first 200 repeatable brain morphological connections and the attention deficit symptoms. Each data point represents the significant correlation coefficient between brain morphological connections and attention deficit symptoms that occurs for both types of feature selection.

3 讨论

       本研究通过影像组学脑网络构建多动症注意力缺陷症状预测模型，与前人研究进行了对比分析。本研究发现，注意力缺陷症状和预测值相关系数r=0.44（P=0.01），这一结果与ROSENBERG等^{[6, 24]}基于功能连接性预测的相关系数（r≈0.5）基本相当。此外，本研究支持了SHEN等^[25]提出的基于连接组的预测模型在评估个体神经行为表现中的有效性，同时也扩展了该方法在影像组学特征方面的应用。本研究表明，影像组学脑形态网络在多动症注意力缺陷症状预测中具有较高的准确性和稳定性。这为未来结合功能连接性与形态连接性的方法提供了新的视角和可能性，从而推进对多动症神经生物学机制的深入理解和临床应用。

3.1 影像组学可重复性

       影像组学可以表征体素强度的空间关系，已被证实为诊断脑部疾病的有用定量工具^{[26, 27]}。本研究为每个脑区提取了657个影像组学特征，主要基于原始图像、高斯拉普拉斯算子（Laplacian of Gaussian, LoG）和小波变换^[28]。GLCM通过量化图像灰度级别的空间分布，反映组织的纹理复杂性。在多动症研究中，GLCM揭示与神经可塑性相关的微观结构改变^[29]。GLRLM反映了图像中相似强度区域的连续性，与多动症患者大脑皮质或白质完整性受损有关^[30]。此外，GLSZM量化了不同灰度区域的大小分布，揭示多动症患者在特定脑区的结构异质性增加^[31]。

       整体来看，GLCM和NGTDM特征在不同变换条件下表现稳定且可靠，尤其在原始图像和Wavelet-HH变换中表现突出, 与多动症患者大脑灰质体积减少及皮层纹理变化有关^[30]；GLRLM和GLSZM特征也显示出较好的稳定性。相比之下，GLDM特征在Wavelet-LL变换方式中表现不稳定，提示其在多动症影像组学研究中的适用性可能受到特定因素的影响^[31]。这些发现进一步强调了影像组学方法在多动症研究中的潜力，为未来研究提供基础。

3.2 影像组学脑网络构建方法

       近年来，随着个体化脑形态网络研究的发展，WANG 等^[11]总结了个体化脑形态连接的四类构建方法：差值、相关系数、特征距离、散度。目前，个体化脑形态网络研究专注于网络连接的测量方法，忽视了网络节点（脑区）内丰富的形态信息。AERTS等^[32]提取了脑肿瘤440个影像组学特征，涵盖形态学、纹理和统计特征等多个维度。已有许多研究强调了影像组学的重要性^[33]，并将其视为影像学和个性化医疗之间的桥梁^[34]。ZHAO等^[35]基于自动解剖标记模板（anatomical automatic labeling, AAL）脑图谱90个脑区，提取每个脑区中的47个影像组学特征，通过冗余特征去除，最终筛选出25个代表性特征，并提出脑区影像组学相似性网络（regional radiomics similarity networks, R2SNs）。R2SNs通过考虑大脑区域间影像组学特征的相似性，构建更加全面且具有生物学意义的脑网络模型。这些研究强调了大脑形态的个体特异性在疾病评估和个性化治疗中的重要性。与上述研究不同，本研究从体素级影像组学特征的角度，利用可重复性指标筛选特征，构建影像组学脑网络，旨在为影像组学脑网络构建方法提供新的思路。

       影像组学脑网络在临床应用的具体步骤包括数据的标准化处理、影像特征的提取与选择、模型的训练与验证、临床可操作性的整合、临床部署等^[36]。然而，将影像组学应用于临床实践仍面临若干挑战。首先，影像组学特征的标准化和统一性是一个关键问题^[36]。其次，影像组学数据的高维特性需要有效的降维和特征选择方法^[37]。最后，影像组学的临床应用还需要大量的验证性研究，包括不同人群和疾病阶段的验证，以确保其临床适用性和可靠性。因此，尽管影像组学在多动症症状评估中具有潜力，但其在临床应用中的推广仍需克服上述挑战。

3.3 多动症症状相关显著脑区及网络连接

       一项相关研究结合结构磁共振（3D纹理特征）和功能MRI（功能连接）的特征，发现基于磁共振扫描的生物学无偏特征可以有效地预测多动症的严重程度^[38]。相比之下，本文模型使用单一成像模式建立，更简单有效。注意力缺陷预测所选显著脑区主要分布在右枕叶、双侧额叶、右顶上皮层、右岛叶、双侧颞叶、双侧前扣带回上部、双侧顶叶及右侧中央旁小叶（图7）。

       这些显著脑区的发现与现有的多动症影像学假说相符。首先，本研究发现的显著特征主要集中在双侧额叶和前扣带回，表明前额叶皮层异常可能与多动症核心症状密切相关，支持前额叶皮层功能异常假说^[39]。然而，与部分文献中仅报道单侧额叶异常的结果不同^[40]，本研究发现双侧额叶均存在显著异常。这种差异由于影像技术参数的差异所致。枕叶和颞叶可能与多动症中的感知和注意力调节问题相关，之前的研究已发现枕叶和颞叶的异常^{[41, 42]}。右侧枕叶皮层、顶上皮层和中央旁小叶的异常与多动症症状预测高度相关，这支持了默认模式网络异常假说^{[43, 44]}。然而，与其他研究相比，本研究中默认模式网络的异常主要集中在右侧脑区，而部分文献报道双侧脑区均存在显著异常^[27]。这种差异可能与研究设计有关。除此之外，涉及的脑区包括前额叶、枕叶、颞叶和顶叶，均与执行控制网络、注意力网络和默认模式网络的功能和结构相关。这进一步支持了多网络异常假说^{[43, 45, 46]}，即多动症是多个网络之间协调失调的结果。综上所述，本研究中发现的显著相关脑区进一步验证了现有的多动症影像学假说。

3.4 本研究的局限性和展望

       本研究存在几个局限性。首先，两组数据在年龄和性别构成上存在较大差异，青少年的大脑处于发育过程中，与成人健康者的影像组学可重复性可能存在很大不同，应在未来研究中通过采集青少年重复测量数据加以控制和校正。其次，样本量较小，将来应扩大样本量，以进一步验证研究结论的稳健性。再次，研究仅针对ADHD-200中多动症混合型患者进行症状指标预测。未来的研究可以考虑拓展样本范围，包括其他亚型的多动症患者，以进一步验证该方法在不同亚型中的适用性和准确性。最后，本研究使用的DK脑图谱将全脑划分为68个区域，分辨率较低。随着研究的深入，可以考虑采用更精细的脑图谱进行网络节点划分。未来的研究需要做更多的工作来解决该领域当前的挑战，并进一步提升个体化影像组学网络在大脑研究中的应用价值。

4 结论

       本研究基于影像组学脑网络和机器学习预测多动症的注意力缺陷症状。预测模型发现，右脑外侧枕叶皮层及右脑横颞皮层和注意力缺陷症状显著相关。结果表明，基于影像组学特征的脑形态网络方法在注意力缺陷评估中具有一定的潜力，为深入理解多动症以及症状预测提供了新的方法学视角。