0 引言

       孤独症谱系障碍（autism spectrum disorders, ASD）是一种复杂的神经发育疾病，中国学龄期孤独症谱系障碍患病率为2.38%，其中，首次确诊的患者约占50%^[1]。ASD主要表现为沟通和社交互动障碍，重复和刻板的行为，兴趣受限等症状^[2]，但病理机制尚未明确^[3]。目前临床常用的幼儿孤独症筛查量表在很大程度上依赖使用者的经验与主观判断^{[4, 5]}，缺乏客观的生物标志物，易导致误诊并错失早期干预时机^[6]。由于ASD的病理机制复杂、临床表现高度异质，其诊断始终面临重大挑战。静息态功能磁共振（resting-state functional magnetic resonance imaging, rs-fMRI）作为一种无创脑成像技术，能够客观捕捉神经活动状态与血氧水平的变化^[7]，在ASD的临床研究和神经影像学生物标志物开发中发挥了重要作用^[8]。

       既往研究多基于独立成分分析（independent component analysis, ICA）或单一的功能网络指标，对静态或动态功能连接开展研究^{[9, 10]}，揭示了默认模式网络及视觉、感觉运动网络的异常特征，但往往局限于静态或单模态动态分析^{[11, 12]}，缺乏对时空动态与空间全局组织的协同考量^{[13, 14]}。而梯度方法能够从宏观组织地形视角识别低维连续变化模式^[15]，但在ASD分类研究中应用较少，且尚未与静态功能网络连接（static functional network connectivity, sFNC）深入融合^{[16, 17]}。将ICA与梯度方法相结合，可在确定整体脑网络架构的同时，通过方差排序解析局部精细特征与全局连续性，进而实现对大脑连接模式的更精准、个性化表征。此外，现有ASD分类模型多为单一分类器或仅依赖单一模态特征，面临样本异质性与泛化能力不足的局限^{[18, 19]}。开发基于机器学习的ASD分类诊断模型，对于提高早期诊断准确性和效率、挖掘可靠的影像学生物标志物具有重要意义^[20]。与传统的单变量组级研究相比，机器学习（machine learning, ML）以数据驱动的方式能够提取更丰富的特征信息^[21]，并能有效探索复杂的异常脑成像模式，从而实现个体层面的精准诊断^[22]。

       在此背景下，本研究结合ICA与梯度方法，提出了一种基于集成学习的分析框架，旨在深入挖掘ASD患者的sFNC与动态功能梯度（dynamic functional gradient, dFNG）特征，以评估其分类效能并发现潜在的影像学生物标志物。

1 材料与方法

1.1 研究对象

       本研究基于公开共享的孤独症脑成像数据交换计划（Autism Brain Imaging Data Exchange I, ABIDE-I;https://fcon_1000.projects.nitrc.org/indi/abide/）^[23]开展研究，每个中心的具体rs-fMRI扫描设备、扫描参数、扫描序列详见官网手册。原始各站点研究均遵守《赫尔辛基宣言》原则，并获得所在机构伦理委员会批准，所有受试者或其法定监护人均已签署书面知情同意书。纳入及排除标准如下：（1）剔除扫描时长少于5 min的中心；（2）依据年龄匹配度，筛选患者与健康对照年龄相近的数据；（3）根据ASD发病特点，故剔除年龄超过30岁的被试；（4）如果头部运动超过3 mm³或3°，或者如果被试的大脑配准图像（T1-weighted imaging, T1）结构异常，则排除受试者。最终纳入246名ASD患者和251名年龄相似的健康对照（healthy controls, HC）展开以下研究分析。

1.2 数据预处理

       使用GRETNA（version 2.0.0，http://www.nitrc.org/projects/gretna/）工具包对功能图像进行预处理^[24]。rs-fMRI的预处理步骤如下：（1）为了保持信号平衡和参与者对系统噪声的适应，去除了前5个时间点；（2）并使用Statistical Parametric Mapping（SPM, version12, https://www.fil.ion.ucl.ac.uk/spm/software/spm12/）中的工具箱进行刚体运动校正，以校正受试者头部运动，然后进行层间时间校正，以解决层间采集中的时序差异；（3）rs-fMRI数据随后使用回波平面成像（echo planar imaging, EPI）模板翘曲到标准蒙特利尔神经学研究所（montreal neurological institute, MNI）空间，并略微重采样为3 mm×3 mm×3 mm各向同性体素。使用半峰全宽（full width half maxima, FWHM）为6 mm的高斯核进一步平滑重新采样的功能磁共振成像（functional magnetic resonance imaging, fMRI）图像^[25]。

1.3 空间独立成分分析

       ICA是一种数据驱动的方法，能够捕获大脑时空模式的细微差异，并挖掘复杂的大脑空间网络结构，从而分离出功能上独立的脑网络。数据预处理后，基于独立成分分析软件（GIFT, version 3.0b, http://icatb.sourceforge.net）的ICA组件计算空间独立成分^[26]。本研究根据NeuroMark 2.2多尺度模板^[27]，确定了105个成分，其中8个成分归属为噪声，并使用ICA将大脑划分为97个感兴趣区（region of interest, ROI）和97×97的固有连接网络（intrinsic connectivity networks, ICNs），用于捕获大脑中真实功能边界的个体差异。此外，并将网络成分划分为14个网络（图1）：小脑（cerebellum, CB）、视觉颞叶（visual-occipitotemporal, VI-OT）、视觉枕叶（visual-occipital, VI-OC）、旁肢（paralimbic, PL）、皮层下-扩展海马（subcortical-extended hippocampal, SC-EH）、皮层下-扩展丘脑（subcortical-extended thalamic, SC-ET）、皮层下-基底节（subcortical-basal ganglia, SC-BG）、感觉运动（sensorimotor, SM）、高级认知-颞叶（higher cognition-insular temporal, HC-IT）、高级认知-颞顶（higher cognition-temporoparietal, HC-TP）、高级认知-额叶（higher cognition-frontal, HC-FR）、三重网络-中央执行（triple network-central executive, TN-CE）、默认网络（triple network-default mode, TN-DM）和显著网络（triple network salience, TN-SA）。

       网络内及网络间使用代表大脑区域活动的每对ROI时间序列之间的Pearson相关系数计算功能连接^[28]，见公式（1）。

       其中μX和μY分别是信号X和Y的均值，σX和σY分别是信号X和Y的标准差，E[]是期望运算符。Pearson的相关系数结果是每个被试的以对角线为中心的对称邻接矩阵FCX,  Y。

点击查看大图

图1  NeuroMark 2.2多尺度模板14个网络。图中所用的离散颜色仅用于区分105个ICNs，图中相同的色块表示在各自网络里用的是同一个离散色板上的第N号颜色，并不代表它们在空间或功能上有任何对应关系。网络内部的颜色渐变则表示各体素的z-score强度，颜色越暖表示z值越高。ICNs：固有连接网络。
Fig. 1  NeuroMark 2.2 multi-scale template for 14 networks. The discrete colors used in the figure are only used to distinguish between the 105 ICNs. Identical color blocks in the figure indicate that color N on the same discrete color palette is used in the respective network, and do not imply that they have any spatial or functional correspondence. The color gradient within the network indicates the z-score strength of each voxel, with warmer colors indicating higher z-values. ICNs: intrinsic connectivity networks.

1.4 网络连接梯度

       本研究计算了sFNC，描述为每个受试者ICNs全时间序列之间的连接，并对连接矩阵进行Fischer-Z变换，矩阵维度为97×97。随后，使用BrainSpace工具箱（https://brainspace.readthedocs.io/en/latest/）^[29]中的扩散映射方法计算沿sFNC空间的梯度。通过计算归一化余弦角亲和矩阵以捕获皮质区域之间连接曲线的相似性。与其他非线性流形学习技术相比，扩散映射算法对噪声相对鲁棒，并且计算成本低廉，因此使用扩散图嵌入算法识别梯度分量，参数α设置为0.5以控制采样点密度的影响（该算法由单个参数α控制，该参数控制采样点密度对流形的影响，α=0，最大影响；α=1，无影响）^[30]，这些设置保留了数据点之间的全局关系。在估计由基于ASD和HC的平均连接矩阵生成的组级梯度组件模板之后，使用Procrustes旋转，将个体梯度与组水平梯度对齐，这种对齐确保了个体之间梯度的稳定性和可比性，解决了特征向量排序和符号歧义的变化。采用这类方法能够有效表示复杂几何结构，然后根据矩阵的梯度值重新排序矩阵^[31]，由此计算得到静态功能连接梯度（static functional connectivity gradient, sFNG）。梯度可视为一种方差轴，反映了脑区功能连接在连续空间中的分布模式。在该梯度空间中，功能特征相似的区域往往定位于梯度上的相邻位置^[32]。具体而言，通过扩散映射嵌入算法，实现了高维数据向低维嵌入空间的非线性投影。

       同时，本研究采用滑动窗口方法，将大脑活动的连续时间序列划分为固定持续时间的重叠的窗口，计算每个窗口内的功能连接，从而捕获大脑动力学的时间演变，窗口大小为50重复时间（time repetition，TR），步幅为1 TR。与静态分析类似，使用BrainSpace工具箱计算每个窗口动态功能网络连接（dynamic functional network connectivity, dFNC）的梯度，然后使用与每个时间窗口关联的扩散图重新排序，并由此提取了dFNG^[33]。本研究使用k-means算法在k=2~20范围内对不同时间点的动态功能连接梯度进行聚类，并采用两项定量指标确定最优簇数：一是基于肘部法则绘制的簇内平方误差和随k变化曲线，其拐点对应簇内收益急剧下降后的拐折点，此时所对应的k值即为最优聚类数目；二是计算各k下的平均轮廓系数，其局部或全局最大值指示最优聚类数目。此外，确定了以下三类动态指标，以捕获dFNG的关键变化：（1）占用率。大脑网络在给定时间段内处于特定状态或配置的时间量，量化每个受试者在每种状态下花费的时间点数量。（2）停留时间。大脑网络在过渡到另一种状态之前保持特定状态或配置的持续时间或时间。（3）周期性。评估大脑状态之间的振荡行为，即大脑状态之间的转换次数。

1.5 站点效应

       ComBat（https://github.com/Jfortin1/ComBatHarmonization）方法是一种常用于校正多站点效应的工具，其核心思想是将站点效应分解为加性和乘性两个分量，并通过矩估计法（moment estimation, ME）迭代优化其超参数，从而推断每个位点的后验加性和乘性效应。由于其在异常值处理方面的鲁棒性，ComBat方法被广泛应用于多站点数据的整合与校正^[34]。鉴于此研究中数据来源于多个独立的采集站点，为消除或补偿站点效应以及其他协变量的影响，本文采用了ComBat方法对不同站点的功能连接矩阵进行站点效应调整。具体来说，假设fMRI数据来自m个完全独立的站点，共包含n名参与者，则每个功能连接的ComBat模型可以表示如下，见公式（2）。

       FCij定义为参与者的i行j列的功能连接值，comave是所有站点中所有受试者的平均功能连接值，X是相关协变量，α是与X、γi的系数向量，δi是站点的加法与乘法效应，本研究假设残差项εij服从均值为零的正态分布。在这里，协变量包括ABIDE数据集中的性别、年龄和头部运动。对于性别指标，本研究设置1表示男性，设置2表示女性。

1.6 集成学习

       在本研究中，首先将由sFNC与dFNG筛选出的组间显著差异特征作为模型输入，输入特征矩阵维度为N×P（N为受试者总数，P为初步筛选后剩余的特征维度），输出为二分类的概率向量。在此基础上，先对每列特征分别进行Z‐score标准化，以消除不同量纲对后续模型的影响。随后以标签向量（前246名ASD、后251名HC）为依据，通过7∶3的分层随机抽样，将数据划分为训练集与测试集。在训练集上对梯度特征执行Levene方差齐性检验，并在显著性水平P=0.05（FDR校正）下进行双样本t检验，只保留组间差异显著的特征；为提升判别性能，采用支持向量机（support vector machine, SVM）递归特征消除再次进行特征工程筛选，最终保留最具组间区分力的特征子集。训练集与测试集均保留最优特征子集特征，以保证在同一尺度与特征空间下对所有后续分类算法进行公平评估。

       随后，本研究构建了包含5种互补性基分类器的集成框架：

       （1）基于径向基函数（radial basis function, RBF）核的SVM（SVMrbf）：用于非线性高维特征映射，参数设置C=1.0，γ=1，hinge损失；（2）Sigmoid核SVM（SVMsigmoid）：采用sigmoid/tanh双核函数的SVM变体，增强对特征空间边界模式的捕捉，参数设置C=1.0，γ=1，hinge损失；（3）随机森林（random forest, RF）：通过多决策树集成降低过拟合风险，参数设置100棵决策树，无最大深度限制；（4）极端梯度提升算法（extreme gradient enhancement, XGBoost）：以梯度优化策略提升弱分类器组合效率，参数设置100棵树，学习率0.3，最大深度6，对数损失；（5）k近邻算法（K-nearest neighbor algorithm, KNN）：基于局部相似性度量提供非参数化分类视角，参数设置k=5，欧氏距离。

       所有子模型均在训练集上通过5折分层交叉验证优化各自超参数，并以交叉验证所得平均分类准确率作为权重，采用软投票策略构建加权投票分类器，从而得到最终的集成模型。模型性能通过准确率、精准度、特异度）、F1分数（F1-Score）及ROC曲线下面积（area under the curve, AUC）等多维指标进行全面评估。全部算法基于scikit-learn v0.24与XGBoost v1.5实现。运行环境为Python 3.8，RTX 4090（CUDA 11.7）平台。

1.7 统计学分析

       所有统计分析均使用基于MATLAB（version R2022b，https://ww2.mathworks.cn/products/matlab.html）的GRETNA软件进行。连续性变量（如年龄等）以均值±标准差的形式报告，sFNC矩阵首先进行Fisher-Z以使数据符合高斯分布假设，随后采用含协变量的两组独立样本t检验，以年龄、性别、头动作为协变量比较组间差异。dFNG的每个状态的占用率、停留时间、周期性的差异则同样采用两组独立样本t检验。所有多重比较均采用FDR方法进行校正^[35]。本研究的显著性阈值P设置为0.05，若P<0.05则认为具有统计学意义。

2 结果

2.1 一般资料

       本研究共纳入246名ASD，其中男218名，女28名，年龄（14.75±5.96）岁；纳入251名HC（男223名，女28名），年龄（14.65±8.86）岁。两组的年龄（t=-0.18，P=0.862）、性别（t=-0.18，P=0.936）差异无统计学意义。

2.2 静态功能连接及梯度结果

       与HC相比，网络间发生大规模变化，并且脑功能连接主要呈现减弱趋势（图2A）。ASD在TN-DM、VI-OT、VI-OC、SM、HC-IT活动显著减弱，而在HC-FR、TN-SA活动显著增强（P<0.05，FDR校正）。同时，网络间的连接发现CB与SC-EH，VI-OT与VI-OC，VI-OT与SC-EH，VI-OT与HC-IT，VI-OC与SC-ET，SC-EH与HC-FR，HC-TP与HC-FR差异具有统计学意义（P<0.05，FDR校正，图2B，表1）。网络内连接未发现显著性改变。所有受试者原始sFNC的平均值和基于梯度1和梯度2的重新排序功能网络连接（functional network connectivity, FNC）的平均值矩阵热图如图3所示。

点击查看大图

图2  sFNC网络变化。2A：sFNC全脑网络变化；2B：sFNC网络间连接变化显著性箱式图。2A中红黄渐变色表示正连接，蓝色渐变表示负连接，颜色不同表示连接强度数值大小不同。*表示P<0.05，FDR校正。CB：小脑；VI-OT：视觉颞叶；VI-OC：视觉枕叶；PL：旁支；SC-EH：皮层下-扩展海马；SC-ET：皮层下-扩展下丘脑；SC-BG：皮层下-基底节；SM：感觉运动；HC-IT：高级认知-颞叶；HC-TP：高级认知-颞顶；HC-FR：高级认知-额叶；TN-CE：三重网络-中央执行；TN-DM：默认网络；TN-SA：视觉枕叶；ASD：孤独症谱系障碍：HC：健康对照；sFNC：静态功能网络连接；FDR：错误发现率。
Fig. 2  sFNC network changes. 2A: sFNC whole-brain network changes; 2B: significance box plots of sFNC inter-network connectivity changes. The red yellow gradient in 2A indicates positive connections, while the blue gradient indicates negative connections. Different colors indicate different values of connection strength. * P < 0.05, and FDR corrected. CB: cerebellar; VI-OT: visual-occipitotemporal; VI-OC: visual-occipital; PL: paralimbic; SC-EH: subcortical-extended hippocampal; SC-ET: subcortical-extended thalamic; SC-BG: subcortical-basal ganglia; SM: sensorimotor; HC-IT: higher cognition-insular temporal; HC-TP: higher cognition-temporoparietal; HC-FR: higher cognition-frontal; TN-CE: triple network-central executive; TN-DM: triple network-default mode; TN-SA: triple network salience; ASD: autism spectrum disorders; HC: healthy controls; sFNC: static functional network connectivity; FDR: false discovery rate.

点击查看大图

图3  sFNC结果图。3A：原始sFNC的平均值矩阵热图；3B：基于梯度1重新排序的FNC的平均值矩阵热图；3C：基于梯度 2重新排序的FNC的平均值矩阵热图。颜色阈值表示Pearson相关性阈值强弱。sFNC：静态功能网络连接；FNC：功能网络连接。
Fig. 3  The sFNC results gragh. Heatmap of the mean of the original sFNC (3A) and the mean matrix of the reordered FNC based on gradient 1 (3B) and gradient 2 (3C). The colour thresholds indicate the strength of the Pearson correlation threshold. sFNC: static functional network connectivity; FNC: functional network connectivity.

点击查看表格

表1  sFNC网络间连接显著性值
Tab. 1  Significance values of sFNC inter-network connections

2.3 动态梯度结果

       本研究综合两种评估结果，梯度1与梯度2在k=2时同时满足簇内平方误差拐点与轮廓系数最高的准则（图4），故最终将k=2确定为动态梯度聚类的最优簇数。图5表示与dFNC关联的k-means聚类质心，以及基于梯度1和梯度2的dFNG。同时，梯度1状态1及状态2的发生频率具有显著差异，表明梯度1发生显著状态变化（图6，P<0.05，FDR校正），ASD更倾向于长时间停留在状态2。其中，与HC相比，梯度1状态1在VI-OT、VI-OC显著激活，在SC-ET显著减弱（图7A，表2）；梯度1状态2在SM、HC-FR、VI-OC显著激活，在TN-DM、TN-SA、SC-EH显著减弱（图7B，表2）。梯度2状态未发现显著差异。

点击查看大图

图4  dFNG聚类图。4A：梯度1依据肘部法则聚类曲线；4B：梯度2依据肘部法则聚类曲线；4C：梯度1依据轮廓系数聚类曲线；4D：梯度2依据轮廓系数聚类曲线。dFNG：动态功能梯度。
Fig. 4  dFNG clustering. 4A: Gradient 1 clustering curve based on the elbow law; 4B: Gradient 2 clustering curve based on the elbow law; 4C: Gradient 1 clustering curve based on the profile coefficients; 4D: Gradient 2 clustering curve based on the profile coefficients. dFNG: dynamic functional gradient.

点击查看大图

图5  dFNG聚类热图及3D空间图。5A：梯度1状态1聚类热图及3D空间图；5B：梯度1状态2聚类热图及3D空间图；5C：梯度2状态1聚类热图及3D空间图；5D：梯度2状态2聚类热图及3D空间图。蓝黄渐变表示Pearson数值强弱，红蓝渐变颜色表示t值强弱。dFNG：动态功能梯度。
Fig. 5  dFNG clustering heatmap and 3D spatial plot. 5A: Gradient 1 state 1 clustering heatmap and 3D spatial plot; 5B: Gradient 1 state 2 clustering heatmap and 3D spatial plot; 5C: Gradient 2 state 1 clustering heatmap and 3D spatial plot; 5D: Gradient 2 state 2 clustering heatmap and 3D spatial plot. The blue and yellow colors indicate the strength of the pearson. The red and blue gradient colors indicate the strength of the t-value. dFNG: dynamic functional gradient.

点击查看大图

图6  梯度分布直方图及动图指标统计图。6A：梯度1分布直方图；6B：梯度2分布直方图；6C：梯度1发生频率统计图。*P<0.05，FDR校正。FDR：错误发现率，ASD：孤独症谱系障碍，HC：健康对照。
Fig. 6  Histogram of gradient distribution distribution and statistics of kinematic metrics. 6A: Histogram of gradient 1 distribution; 6B: Histogram of gradient 2 distribution; 6C: Frequency statistics of gradient 1 occurrence. * P<0.05, FDR corrected. FDR: false discovery rate; ASD: autism spectrum disorders; HC: healthy controls.

点击查看大图

图7  梯度2不同状态组间差异。7A：dFNG状态1组间差异3D空间图（P<0.01，未校正）。7B：dFNG状态2组间差异3D空间图（P<0.01，未校正）。红蓝渐变颜色表示t值强弱。dFNG：动态功能梯度。
Fig. 7  Differences between groups of different states of gradient 2. 7A: 3D spatial plot of differences between groups of dFNG state 1 (P < 0.01, uncorrected). 7B: 3D spatial plot of differences between groups of dFNG state 2 (P < 0.01, uncorrected). The red and blue gradient colors indicate the strength of the t-value. dFNG: dynamic functional gradient.

点击查看表格

表2  第一梯度不同状态组间差异
Tab. 2  Differences between groups of different states in the first gradient

2.4 集成学习分类结果

       表3、图8A展示的仅基于sFNC特征的分类结果表明，不同单一模型的性能存在显著差异。其中，SVMrbf取得了最高的整体分类准确率（72.7%）和较高的特异度（74.3%），明显优于其他单一算法（如KNN的准确率仅能达到61.3%，随机森林的F1分数最高，仅为68.9%）。XGBoost在特异度（79.7%）和精准度（76.6%）方面表现最优。

       相较于单一sFNC特征（表4，图8A），当梯度特征（Gradient1）与静态sFNC特征相融合后（表4，图8B），所有模型的性能均得到了显著提升。以KNN为例，其准确率由61.3%提升至95.3%，特异度由45.9%提升至97.3%；而基于RBF核的SVM，也从原先的72.7%准确度提升至92.7%（特异度=85.1%，敏感度=100.0%）；更为明显的是，集成RF和XGBoost 在梯度融合后准确率及特异性达98.7%。此外，集成模型在sFNC情况下未能稳居最优，但在融合了第一梯度特征后，其准确率和F1分数均达到了99.3%（特异度=98.6%，敏感度=100.0%），分类准确率性能最优。这表明，在动态-静态特征互补的框架下，集成学习通过对 KNN、SVMrbf、SVMsigmoid、随机森林及XGBoost各自输出概率加权平均，能够更好地综合各基分类器在不同指标上的相对优势，显著提升模型鲁棒性并最小化性能波动。

点击查看大图

图8  机器学习分类。8A：sFNC分类效果；8B：sFNC-Gradient1分类效果。sFNC：静态功能连接；Gradient1：第一梯度主成分；AUC：曲线下面积；KNN：k近邻算法；SVMrbf：基于径向基函数核的支持向量机；SVMsigmoid：Sigmoid 核支持向量机；RF：随机森林；XGBoost：极端梯度提升算法；Ensemble Classifier：集成模型。
Fig. 8  Machine learning classification. 8A: sFNC classification effect; 8B: sFNC-Gradient1 classification effect. sFNC: static functional network connectivity; AUC: area under the curve; KNN: K-nearest neighbor algorithm; SVMrbf: support vector machine with radial basis function; SVMsigmoid: support vector machine with sigmoid; RF: random forest; XGBoost: extreme gradient enhancement.

点击查看表格

表3  sFNC机器学习结果
Tab. 3  sFNC machine learning results

点击查看表格

表4  sFNC-Gradient1机器学习结果
Tab. 4  sFNC-Gradient1 machine learning results

3 讨论

       本研究利用ABIDE-I公开数据库，对sFNC和dFNG特征进行了系统分析。结果显示，ASD患者在全脑范围内功能连接发生大规模重组，尤其在HC-FR和VI-OC区域表现出显著激活。动静态梯度降维结合k-means聚类表明，梯度1和梯度2均分化出两种脑网络状态，且ASD更倾向于在梯度1的“状态2”中长期停留。基于sFNC-Gradient1的联合特征输入，集成分类器于独立测试集中实现了99.3%以上的分类准确率。该方法首次将静态功能连接与动态梯度信息融合，用以构建高区分度的ASD生物标志物分类模型，不仅丰富了传统sFNC分析的时序动态表征，也在多模态特征融合场景中展现出卓越的鲁棒性和潜在的临床应用价值。

3.1 静态功能网络连接反映ASD网络发生大规模变化

       基于ICA方法，本研究首先探讨了ASD在sFNC中呈现多层次异常模式。研究结果显示，ASD在TN-DM、VI-OT、VI-OC、SM、HC-IT活动显著减弱，而在HC-FR、TN-SA活动显著增强。同时，跨网络连接异常揭示了全脑整合机制的紊乱，网络间的连接发现HC-FR、HC-TP、CB、SC-EH、VI-OT、VI-OC、HC-IT、SC-ET之间的连接具有显著变化。大脑由复杂的大脑网络结构组成，不同大脑网络之间的相互作用使身体表现出不同的功能^[36]。有大量证据表明^{[37, 38, 39, 40]}，TN-DM和VI-OT/VI-OC的协同性降低可能共同构成ASD社会认知缺陷的神经基础。TN-DM作为三重网络的核心枢纽^[41]，其功能抑制可能削弱患者对他人意图的解读能力，而视觉网络的低连接状态可能反映其视觉信息整合异常，即过度关注局部细节而忽视整体情境^[42]。值得注意的是，SM的异常活动与SC-ET的连接改变形成闭环，可能通过破坏感觉-运动整合通路，导致患者出现运动协调障碍和感觉处理异常^{[43, 44]}。

3.2 动态功能连接梯度VI-OT/VI-OC高激活与SC-ET抑制

       此外，本研究基于梯度的方法，计算了静态与动态功能连接梯度。该过程降低了高维连接矩阵的复杂性，同时捕捉不同时间窗口的变异特征，并以低维方式表征相关区域间的功能连接模式及其分布规律。基于梯度降维的聚类结果表明，ASD患者存在两种状态：状态1的视觉-丘脑网络主导模式，状态2的额叶-感觉运动网络主导模式。组间动态指标分析发现，ASD患者在梯度1维度上存在显著的状态滞留倾向，更长时间停留在状态2，这种动态灵活性缺损与sFNC观察到的网络间连接异常形成互补性证据。状态1的VI-OT/VI-OC高激活与SC-ET抑制的组合模式，可能反映ASD在早期感觉信息加工阶段即出现丘脑-皮层门控机制异常^{[45, 46]}，导致过度局部感知，如对细节的强迫性关注^{[17, 23, 47]}。而状态2中TN-DM/TN-SA的持续抑制与HC-FR/SM的过度激活，则与sFNC发现的默认网络功能减弱高度一致，提示患者在执行外部导向任务时难以切换至内省状态，这种动态平衡失调可能加剧其社会认知缺陷^{[48, 49]}。

3.3 多模态特征融合分类框架

       本研究创新性地将sFNC与dFNG特征融合，构建了一种高效区分ASD与HC的多模态分类模型。与仅使用sFNC特征相比，多模态特征的分类结果表明，融合动态时序信息后，各单一基分类器的性能均显著提升，表明梯度特征通过捕捉脑网络空间层级分布模式，有效补充了传统功能连接在时序动态信息表征上的不足，印证了梯度特征与非线性分类器的协同优势，梯度特征通过降维映射提取的低维特征能够更高效地分离ASD与HC的高维功能连接模式^{[23, 50]}，表明梯度特征通过量化脑网络空间层级拓扑与动态时序变异，有效补充了传统功能连接分析的维度局限性。更重要的是，多模态集成学习模型通过加权投票综合了各基分类器在不同特征模态下的优势，显著降低了单一模型在新数据或噪声场景下的性能波动。

3.4 局限性

       本研究有几个局限性。首先，本研究的人群中男性的比例高于女性，尽管在功能分析中性别因素被作为协变量，但这项研究的结果仍然不足以完全阐明性别对ASD的影响。其次，本文的研究数据来源于公开数据集，未来应进一步开展临床研究，拟纳入更多的实验数据与公开数据结合，增强模型的泛化能力。尽管本研究采取了去站点效应，但仍然会存在一些数据异质性效应，将来可能需要结合其他神经影像学技术，以进一步减少不同数据中心对研究结果的影响。

4 结论

       本研究结果表明，ASD患者在静息态功能网络的sFNC与dFNG两个层面均存在系统性异常。具体而言，sFNC分析表明，ASD患者的TN-DM、VI-OT/VI-OC及SM连接强度显著减弱，而HC-FR与TN-SA的连接则相对增强。动态梯度分析进一步显示，ASD患者的功能连接梯度在低维空间呈现双状态分布：状态1以视觉-丘脑网络为主导，状态2以额叶-感觉运动网络为核心。多模态特征融合的机器学习模型证实，联合sFNC与梯度1特征的分类性能显著优于单一特征，通过连接-梯度联合框架，为解析复杂脑疾病的功能-动态多尺度异常机制提供了潜在的支撑。