分享:
分享到微信朋友圈
X
• 临床研究 •
基于个体化极端功能连接的孤独症亚型研究
杜向熠 周源 朱元强 李嘉旎 李磊磊 郑建民

本文引用格式 杜向熠, 周源, 朱元强, 等. 基于个体化极端功能连接的孤独症亚型研究[J]. 磁共振成像, 2026, 17(11): 27-37. DOI:10.12015/issn.1674-8034.2026.11.004.


[摘要] 目的 利用容忍区间(tolerance interval, TI)方法识别孤独症(autism spectrum disorder, ASD)患者个体水平的极端功能连接特征,并通过聚类分析探索其神经生理亚型及其在临床诊断中的价值。材料与方法 本研究为基于公开数据库的回顾性研究,纳入来自孤独症脑成像数据交换计划(Autism Brain Imaging Data Exchange, ABIDE)数据库的907例受试者[ASD组451例,健康对照(healthy controls, HC)组456例]。基于TI方法提取个体水平的极端功能连接,并结合多种聚类算法评估ASD内部的亚型结构,进一步分析各亚型特征与孤独症诊断观察量表(Autism Diagnostic Observation Schedule, ADOS)评分的相关性。最后,构建多个核函数融合的支持向量机(support vector machine, SVM)分类模型,验证亚型的临床判别效用。结果 基于TI方法识别的ASD相关极端功能连接呈分散分布,其枢纽节点主要位于右侧下额回、右侧中额回及左侧上颞回。聚类分析显示,ASD存在两个神经生理亚型:亚型1表现为多系统受累的广泛性功能紊乱,其部分极端功能连接强度与ADOS交流及刻板行为评分存在相关性(P<0.001);亚型2表现为高度集中的网络损伤,异常特征聚焦于显著网络核心节点(基底节、丘脑、杏仁核)及默认网络内部连接的减弱。全组ASD与HC的分类准确率为56.4%,提示未分层的全组模型判别能力有限。相比之下,亚型分层显著提升了分类效能:亚型1模型准确率为61.8%,亚型2模型则高达83.7%。结论 基于极端功能连接的亚型划分不仅有助于阐明ASD的病理机制,且能显著提升机器学习模型对孤独症的辅助诊断能力。
[Abstract] Objective Autism spectrum disorder (ASD) is characterized by marked neurobiological heterogeneity. This study aimed to identify individual-level extreme functional connectivity features in patients with ASD using the Tolerance Interval (TI) method and to explore neurophysiological subtypes and their value for clinical diagnosis through cluster analysis.Materials and Methods This study is a retrospective study based on publicly available databases, which included 907 participants from the Autism Brain Imaging Data Exchange (ABIDE) database [451 in the ASD group and 456 in the healthy controls (HC) group]. Individual-level extreme functional connections were identified using the TI method. Multiple clustering algorithms were applied to evaluate the subtype structure within the ASD group, and the associations between subtype-specific features and Autism Diagnostic Observation Schedule (ADOS) scores were further examined. Finally, a support vector machine (SVM) classification model based on the fusion of multiple kernel functions was constructed to evaluate the clinical discriminative utility of the identified subtypes.Results ASD-related extreme functional connections identified by the TI method showed a dispersed distribution pattern, with hub nodes mainly located in the right inferior frontal gyrus, right middle frontal gyrus, and left superior temporal gyrus. Cluster analysis revealed two well-defined neurophysiological subtypes in ASD. Subtype 1 was characterized by widespread functional dysregulation involving multiple systems, and some extreme functional connections within this subtype were significantly associated with ADOS communication and stereotyped behavior scores (P < 0.001). Subtype 2 showed highly concentrated network impairments, with abnormal features focused on core nodes of the salience network, including the basal ganglia, thalamus, and amygdala, as well as reduced connectivity within the default mode network. The classification accuracy for the overall ASD versus HC model was 56.4%, indicating limited discriminative ability of the unstratified model. In contrast, subtype-based stratification significantly improved classification performance: the accuracy was 61.8% for Subtype 1 and 83.7% for Subtype 2.Conclusions Subtyping based on extreme functional connectivity not only helps clarify the pathological mechanisms of ASD but also significantly improves the performance of machine learning models for computer-aided diagnosis of autism.
[关键词] 孤独症;功能磁共振成像;磁共振成像;极端功能连接;容忍区间;机器学习
[Keywords] autism spectrum disorder;functional magnetic resonance imaging;magnetic resonance imaging;extreme functional connectivity;tolerance interval;machine learning

杜向熠    周源    朱元强    李嘉旎    李磊磊    郑建民 *  

空军军医大学第一附属医院放射诊断科,西安 710032

通信作者:郑建民,E-mail: jmzheng1986@126.com

作者贡献声明:郑建民负责本研究的概念设计与方案构建,并对稿件重要内容进行了审阅与修改,获得了国家重点研发计划项目的资助;杜向熠负责论文的起草与撰写,并主导了功能连接数据的获取、标准化处理与分析解释;周源、朱元强、李磊磊与李嘉旎获取、分析本研究的数据,并对稿件重要内容进行了修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 国家重点研发计划项目 2022YFA1004204
收稿日期:2026-01-22
接受日期:2026-09-10
中图分类号:R445.2  R749.94 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.004
本文引用格式 杜向熠, 周源, 朱元强, 等. 基于个体化极端功能连接的孤独症亚型研究[J]. 磁共振成像, 2026, 17(11): 27-37. DOI:10.12015/issn.1674-8034.2026.11.004.

0 引言

       孤独症(autism spectrum disorder, ASD)是以社交沟通障碍及受限、重复性行为为核心特征的神经发育障碍[1, 2]。由于受复杂神经生物学及遗传背景驱动,ASD在临床表现与预后上具有显著的高度异质性,这为早期精准诊疗带来了极大挑战[3]。鉴于传统行为学评估难以揭示表型背后的深层生物学机制[4],利用客观影像学标志物识别生物学同质性的神经生理亚型,已成为破解ASD发病机制、实现个体化精准医疗的关键路径[5, 6]。

       静息态功能磁共振成像(resting-state functional magnetic resonance imaging, rs-fMRI)通过捕捉大脑内源性的功能连接模式,能够更稳定地反映个体固有的神经生物学特征,是揭示ASD大规模脑网络组织改变的关键技术[7]。功能连接通过量化不同脑区间自发活动的同步性,为理解ASD患者的社交沟通障碍及受限行为提供了重要的神经生物学框架。以往研究表明[8, 9, 10],ASD 的病理机制与默认网络(default network, DMN)[11]、显著网络(salience network, SAN)及额顶网络(frontoparietal network, FPN)[12]等关键系统的功能异常密切相关,这与近年来在神经发育模型中观察到的非典型连接模式一致。然而,基于神经影像识别ASD亚型仍面临重大挑战[13, 14, 15]:传统研究多依赖组水平分析,所刻画的平均患者特征掩盖了极具临床价值的个体差异,病例对照分析往往预设了组内同质性,却忽略了相同行为表型背后可能存在不同的神经发育路径。尽管ASD核心诊断标准统一,但其神经生物学表现高度异质。近年rs-fMRI研究在ASD中提示[16, 17, 18],患者的功能连接异常并非呈现为单一模式,而是表现为高度个体间的分散偏离。这一特征使得传统组水平均值比较常会稀释个体化信号。因此,越来越多的研究主张以常模建模/个体化偏离框架取代单纯病例对照思维,以识别相对生物学更同质的亚型。

       针对上述挑战,本研究基于孤独症脑成像数据交换计划(Autism Brain Imaging Data Exchange, ABIDE)全球多中心大样本数据,提出了一种结合常模建模[19]与无监督学习的分析框架。具体而言,我们首先利用容忍区间(tolerance interval, TI)方法[20, 21]构建健康人群的功能连接基准,从而精准识别每位ASD患者个体水平的极端功能连接特征。随后,应用聚类分析技术解构ASD内部潜在的神经生理亚型,并通过严格的多算法稳定性评估验证亚型结构的稳健性;最后,结合临床症状关联分析与支持向量机分类模型,系统评估了亚型划分在揭示病理机制异质性及提升临床诊断准确性方面的效用,旨在识别具有不同神经生物学特征的ASD亚型,并评估其在揭示病理机制异质性及辅助临床诊断中的潜在价值。

1 材料与方法

1.1 研究对象

       本研究为基于ABIDE公开数据库(https://fcon_1000.projects.nitrc.org/indi/abide/)的多中心回顾性研究[22, 23]。以ABIDE-Ⅰ和ABIDE-Ⅱ数据库中全部可获得的受试者为初始样本,依据预先设定的纳入、排除标准及影像质量控制要求进行逐一筛选。该多中心公开数据策略确保了研究结果的外部效度与可重复性[24],每个中心的具体扫描设备、序列及参数详见数据库网址。原始研究均遵守《赫尔辛基宣言》原则,并获各采集机构伦理委员会批准,所有受试者或其法定监护人均签署了书面知情同意书。ASD组纳入标准:(1)所在站点同时包含ASD患者和健康对照(healthy controls, HC),且rs-fMRI扫描时长不少于5 min;(2)ABIDE数据库诊断标签为ASD,并经各数据采集站点依据相应临床诊断标准确认;(3)年龄位于预设匹配范围;(4)孤独症诊断观察量表(Autism Diagnostic Observation Schedule, ADOS)总分、沟通、社交互动和刻板行为评分完整;(5)rs-fMRI及T1加权结构像数据完整且质量合格。HC组纳入标准:(1)所在站点同时包含ASD和HC,且rs-fMRI扫描时长不少于5 min;(2)ABIDE数据库诊断标签为HC;(3)年龄位于与ASD组匹配的范围;(4)rs-fMRI及T1加权结构像数据完整且质量合格。两组共同的排除标准:头动平移超过3 mm或旋转超过3°。

       本研究纳入的ADOS临床评估指标包括总分(Total)、沟通得分(Communication)、社交互动得分(Social)和刻板行为得分(Stereotyped Behavior)。所有ADOS指标均来源于ABIDE数据库提供的临床评估记录,由各采集中心完成并上传至数据库。其中,沟通得分用于反映语言交流及非语言交流异常,社交互动得分用于反映社会交往受损程度,刻板行为得分用于反映重复、刻板行为及受限兴趣特征,总分用于综合反映ASD核心症状严重程度。为保证后续症状相关分析的完整性,仅纳入上述四项指标均完整的ASD受试者。

1.2 数据预处理

       基于纳排标准筛选被试后,使用DPABI(version 9.0, https://rfmri.org/DPABI)工具箱[25]对rs-fMRI 数据进行预处理。预处理步骤如下:剔除前10个时间点以排除扫描初期磁场不稳定及受试者初始适应效应[26, 27],层间时间校正,头动校正并计算Jenkinson平均框架位移,干扰信号回归(回归项包括Friston-24 头动参数、白质信号、脑脊液信号以及线性趋势)。为保留全脑信息,未进行全局信号回归[28]。随后,将处理后的功能图像与结构T1 图像进行配准。需要说明的是,本研究所用数据来源于ABIDE-Ⅰ和ABIDE-Ⅱ多中心数据库,不同站点结构像采集协议并不完全一致,但均为高分辨率三维T1加权结构像,具体序列因站点而异。在此基础上,利用DARTEL算法将图像标准化到标准蒙特利尔神经学研究所(Montreal Neurological Institute, MNI)空间,并重采样为3 mm×3 mm×3 mm。最后,对图像进行时间带通滤波(0.01~0.10 Hz)以减少低频漂移及高频噪声,并使用6 mm半峰全宽高斯核进行空间平滑。预处理均由DPABI按照以上预设参数自动完成,未涉及人工勾画、人工判读或人工参数调整。

1.3 功能连接网络构建及站点异质性

       本研究采用脑网络组图谱(Brainnetome Atlas)[29]提取246个脑区的平均时间序列(图谱包含210皮层+36皮层下脑区,不包括小脑皮层分区)。通过计算各区域信号间的Pearson相关系数并进行Fisher-Z变换,以确保其符合正态分布,为每个被试构建了246×246的功能连接矩阵,并提取其上三角部分(不含对角线),共30 135条功能连接用于后续分析。研究证实[30],ComBat方法(https://github.com/Jfortin1/ComBatHarmonization)在有效消除场点效应的同时,能够最大程度地保留个体间的生物学变异。因此,考虑到多中心数据采集可能引入的非生物性变异(如扫描设备及参数差异),本研究应用了ComBat算法对各站点的功能连接数据进行站点异质性校正。

1.4 极端功能连接构建

       为识别ASD患者相对于HC的个体化异常功能连接,本研究采用基于常模建模的统计框架。首先,利用R语言的tolerance软件包(version 3.0.0,https://cran.r-project.org/package=tolerance),基于HC个体数据对30 135条功能连接(上三角矩阵)分别构建非参数双侧TI。参考既往研究[20]算法设置,我们将容忍比例设为90%,置信水平设为90%。对于任一受试者(包括ASD患者和HC),若某条功能连接值低于TI下界或高于上界,则记为该连接发生区间外偏离。随后,比较每条连接在ASD组与HC组中出现区间外偏离的频率,并采用费希尔精确检验评估其是否在ASD组中显著富集。为提高结果稳健性并降低样本选择偏倚,本研究进行了1000次随机重采样:每次随机抽取90%的ASD样本重复上述富集分析。随后计算每条连接在1000次迭代中被判定为“ASD组相对于HC组显著富集”的比例,定义为一致性率。仅将一致性率大于95%的连接界定为ASD相关的极端功能连接。最后,将识别出的ASD相关极端功能连接映射至8个经典功能网络:SAN、视觉网络(visual network, VIS)、感觉运动网络(somatomotor network, SMN)、背侧注意网络(dorsal attention network, DAN)、腹侧注意网络(ventral attention network, VAN)、边缘系统(limbic network, LIM)、FPN和DMN。

1.5 ASD亚型识别

       为了探究极端功能连接模式是否揭示了ASD 内部潜在的神经生理亚型,本研究采用完全数据驱动的无监督聚类策略,仅依据影像学特征进行分组。本研究的分型指标为ASD个体层面的一致性率超过95%的极端功能连接特征,即在基于健康对照建立的TI框架下,被判定为异常且在1000次重采样富集分析中稳定出现的功能连接。每位ASD受试者均以这些异常连接的个体化模式构成特征向量,作为亚型识别的输入。

       在正式聚类前,首先采用SigClust 检验(基于10 000次置换检验)对ASD 患者极端功能连接数据的分布特征进行统计学评估。该检验通过比较观测数据与零假设下单一高斯分布的聚类指数,判断样本是否更适合被视为多个离散簇而非单一连续群体。结果若显示显著偏离单一高斯分布(P<0.05),则说明ASD群体内部存在进一步进行离散亚型划分的统计学依据。在此基础上,将上述一致性率超过95%的异常连接矩阵作为聚类分析的核心特征输入,并采用主成分分析(principal component analysis, PCA)提取累计解释80%方差的主成分,以降低特征维数、减少噪声影响并提高聚类鲁棒性[17, 31]。最后,在k=2至k=10范围内,分别采用K均值聚类(K-means clustering,迭代10000次)、谱聚类(spectral clustering)、基于Ward、完全连接(complete)和平均连接(average)准则的层次聚类(hierarchical clustering),以及高斯混合模型(Gaussian mixture model, GMM)等多种聚类算法进行比较,以避免单一算法带来的偏倚。为确定最优分型结果,同时,通过1000次随机重采样(每次随机抽取90%样本)构建共现矩阵并计算稳定性指数(stability index, SI),以评估亚型结构在不同样本子集下的稳定性。最终依据综合评价结果选择最优聚类方案,作为ASD亚型划分的最终结果。综合得分的设定参考既往研究[32]设定,由稳定性指数、轮廓系数和Davies-Bouldin指数加权构成,其中三者权重分别设为0.5、0.3和0.2,以优先强调亚型结构在重采样中的稳定性。

       SI定义为受试者配对在多次重采样试验中被划分至同一亚型的平均概率,其计算如公式(1)(2)所述:设N为ASD受试者总数,H为重采样迭代总次数(如1000次)。在第h次迭代中,随机抽取子样本Sh⊂1,…,N。共现矩阵M的元素Mij定义为:

       其中,I⋅为指示函数。当括号内条件成立时取值为1,否则为0。Mij的值域为[0, 1],数值越接近1,表示受试者i和j在不同样本组合下被聚为一类的稳定性越高。SI指数通过衡量多次重采样试验中受试者归属一致的平均概率,量化了亚型结构的稳健性与泛化能力。

       此外,为进一步验证亚型在不同算法框架下的收敛性,本研究引入调整兰德指数(Adjusted Rand Index, ARI)评估聚类方案的一致性。作为校正随机聚类干扰的外部验证指标,跨算法的高ARI值确证了ASD亚型结构的生物学真实性。最后,本研究计算了各亚型内部极端功能连接的出现频率,该指标定义为在该亚型受试者中,某条连接被判定为极端异常的人数比例。通过计算亚型特异性的频率图谱,我们进一步计算了加权节点频率强度,即每个脑区所关联的所有极端连接的出现频率之和。

1.6 亚型在病例对照可区分性中的效用

       为评估所识别ASD亚型在病例对照区分中的潜在效用,本研究以在交叉验证循环外预先确定的一致性率大于95%的2782条极端功能连接作为固定输入特征,构建基于多个核函数融合的支持向量机(support vector machine, SVM)分类模型。具体而言,针对同一组极端功能连接特征分别构建线性核、多项式核和径向基函数(radial basis function, RBF)对应的核矩阵,采用线性加权方式进行核融合。核权重以0.1为步长在满足权重和为1的约束空间内进行网格搜索,以确定最优核组合。对于RBF核,通过网格搜索优化其尺度参数;对于多项式核,同时优化多项式次数。为减少特征量纲差异对核计算的影响,输入特征在核构建前均先进行标准化处理,并进一步按样本进行归一化。模型性能评估由预先设定的自动化分析流程完成,包括核矩阵构建、权重搜索、参数优化、交叉验证划分、模型训练及性能统计,以减少人为主观干预。随后将数据集随机划分为10个子集,采用100次重复10折交叉验证框架评估分类性能,并详细记录了包括准确率、敏感度、特异度、F1分数以及曲线下面积(area under the curve, AUC)在内的多维评估指标。准确率显著性通过分别对每个亚型进行10 000次随机标签置换确定,即每一亚型独立进行10 000次随机标签置换,每次置换后重新训练模型并计算准确率,构建零分布;经验P值定义为置换准确率不低于真实准确率的比例。

1.7 统计分析

       本研究采用两种互补的统计策略以全面识别ASD相关的异常功能连接。首先,基于常模建模框架识别个体水平的极端功能连接;其次,采用富集分析评估极端功能连接在ASD组中出现频率的统计学显著性。1000次并行化重采样迭代(每次随机抽取90%样本)仅用于评估结果的稳健性与可重复性,并不作为多重比较校正方法。对于富集分析中所有连接的显著性检验,采用Bonferroni校正,并以校正后P<0.05为显著性阈值;在此基础上,仅保留重采样一致性率超过95%的连接用于后续分析。作为传统基准对照,采用两样本t检验识别组水平差异连接,并在广义线性模型中控制年龄、性别及头动参数的影响,同时对多重比较结果进行Bonferroni校正。症状关联分析采用Pearson偏相关方法评估极端功能连接与ADOS各维度评分(ADOS_Total、ADOS_Communication、ADOS_Social和ADOS_Stereotyped Behavior)之间的关系,并对全部相关性检验结果进行Bonferroni校正,以校正后P<0.05认为差异有统计学意义;不同模型表现差异(亚型模型与全体患者模型)亦采用两样本t检验进行比较,并进行Bonferroni校正。

2 结果

2.1 人口统计学资料

       本研究共纳入451例ASD患者和456例HC。人口学统计分析(表1)显示,两组年龄差异无统计学意义(P>0.05),性别构成差异具有统计学意义(P<0.001)。

表1  ASD组与HC组的人口学统计
Tab. 1  Demographic characteristics of the ASD group and HC group

2.2 极端功能连接分析结果

       ASD患者在区间外偏离连接的数量上表现出显著的个体差异。在全脑30 135条功能连接中,17 744条(58.9%)连接在1000次重采样中从未达到ASD组相对于HC组的显著富集标准,即一致性率为0(图1A~1B);12 391条(41.1%)连接至少在1次重采样中被判定为ASD组相对于HC组显著富集。进一步分析显示,2 782条(9.23%)连接的一致性率大于95%,其中1 074条(3.56%)连接在全部1000次重采样中均被识别为ASD组相对于HC组显著富集,即一致性率为1。因此,后续分析仅聚焦于一致性率大于95%的ASD相关极端功能连接。

       基于TI方法识别的ASD相关极端功能连接在网络和节点水平上的分析结果显示,异常特征主要涉及SAN与DMN、DAN及SMN之间的跨网络交互连接。在节点水平上,节点度数排名前5的脑区分别为右侧下额回(IFG_R_6_5,VAN)、右侧中额回(MFG_R_7_4,FPN)、左侧上颞回(STG_L_6_2,SMN)、左侧前中央回(PrG_L_6_3,SMN)以及左侧上颞回(STG_L_6_1,LIM),这些脑区具有较高的节点度数。相比之下,两样本t检验结果显示,Bonferroni校正后(P<0.05),全脑仅识别出21条异常连接,这一结果显著稀疏于TI方法。显著差异连接主要涉及DMN、FPN及DAN等网络相关的跨网络交互。在节点度数分布上(图2C),显著差异脑区排名前5的脑区分别为:右侧上额回(SFG_R_7_3,DMN)、右侧前中央回(PrG_R_6_2,DAN)、右侧上额回(SFG_R_7_2,FPN)、左侧上额回(SFG_L_7_1,FPN)以及左侧前中央回(PrG_L_6_6,DAN)。以上见图2。

图1  功能连接特征的一致性率。1A:功能连接上三角矩阵按照行顺序逐次展开排序结果。1B:功能连接上三角矩阵按照行顺序逐次展开并按照一致性率排序结果。红色线条表示在孤独症(ASD)中被识别为异常功能连接,蓝色线条表示未被识别为异常的功能连接。1A/1B中矩阵行/列均按脑区解剖位置顺序排列,1B额外按一致性率从高到低排序以便可视化。
Fig. 1  Consistency rate of functional connectivity features. 1A: Functional connectivity upper triangular matrix sorted sequentially by row order. 1B: Functional connectivity upper triangular matrix sorted sequentially by row order and ranked by consistency rate. The red lines indicate functional connections identified as abnormal in autism spectrum disorder (ASD), while the blue lines represent those not identified as abnormal. In 1A/1B, the rows/columns of the matrices are ordered according to the anatomical locations of brain regions. 1B additionally sorts the connections by consistency rate from high to low for visualization purposes.
图2  功能连接网络级和节点级特征分布。2A:基于容忍区间方法的网络级和节点级特征分布。数字表示每个网络社区内所选特征的异常功能连接数量,节点级分布反映相关脑区的节点度数。2B:基于两样本t 检验(P<0.05)的网络级和节点级特征分布。2C:基于两样本t 检验(Bonferroni P<0.05)的网络级和节点级特征分布。上三角矩阵中的数字及底色表示相应网络内或网络间入选功能连接的数量,单位为条;脑表面伪彩图及色标表示节点度,即与相应脑区相连的入选功能连接数量,单位为条。暖色表示节点度较高,冷色表示节点度较低。SAN:显著网络;VIS:视觉网络;SMN:感觉运动网络;DAN:背侧注意网络;VAN:腹侧注意网络;LIM:边缘系统;FPN:额顶网络;DMN:默认网络。
Fig. 2  The distribution of functional connectivity features at the network and node levels. 2A: Distribution of network-leve and node-level features based on the tolerance interval method. The numbers indicate the count of abnormal functional connections for selected features within each network community, while the node-level distribution reflects the degree of relevant brain regions. 2B: Feature distributions at the network and node levels based on a two-sample t-test (P < 0.05). 2C: Feature distributions at the network and node levels based on a two-sample t-test (Bonferroni P < 0.05). The numbers and background colors in the upper triangular matrix represent the number of selected functional connections within or between networks, measured in connections; the pseudocolor maps of the brain surface and the color legend represent node degree—that is, the number of selected functional connections linked to the corresponding brain region, measured in connections. Warm colors indicate higher node degree, while cool colors indicate lower node degree. SAN: salience network; VIS: visual network; SMN: somatomotor network; DAN: dorsal attention network; VAN: ventral attention network; LIM: limbic network; FPN: frontoparietal network; DMN: default mode network.

2.3 亚型聚类结果

       基于一致性率超过95%的极端功能连接特征,并以PCA降维后的主成分作为聚类输入,我们首先采用SigClust检验对ASD患者的极端功能连接分布进行了统计评估。结果显示,该分布显著偏离单一高斯分布(P=0.0479,10 000次置换检验),从统计学角度排除了ASD群体呈现单一同质结构的假设,为进一步离散亚型识别提供了可靠依据。在此基础上,结合多种聚类算法(K-means、谱聚类、层次聚类及高斯混合模型)在k=2至k=10范围内的性能比较,层次聚类(Average 准则)在k=2时综合得分最高(0.759),轮廓系数为0.593,Davies-Bouldin指数为0.504(图3),表明亚型划分具有良好的类别分离度和聚类质量。通过1000次随机重采样构建共现矩阵并计算稳定性指数(SI),k=2方案SI达到0.773,进一步证实亚型结构在不同子样本中高度可重复。跨算法一致性分析显示,主流聚类模型在k=2时高度收敛,进一步确立了亚型识别的稳健性和生物学真实性(图4A)。

       为明确亚型的临床特征,我们对亚型1和亚型2的基础人口学和核心症状进行了统计比较。组间比较显示,两亚型在年龄、性别及ADOS总分及各子项评分(Communication、Social、Stereotyped Behavior)的组间比较中差异无统计学意义(P>0.05;表2)。尽管组间临床评分差异无统计学意义,亚型内部的极端功能连接特征却与ADOS子项评分存在显著的线性关联。在亚型1中,核心异常连接呈现出多网络涉及的特点:SMN与SAN间的SFG_R_7_5与BG_R_6_3连接强度与ADOS交流评分呈负相关;VIS或DMN与SAN 间的连接(IPL_R_6_1 - Tha_R_8_6和IPL_R_6_5 - Tha_R_8_6)以及SMN与VIS间的交互连接(STG_R_6_2 - LOcC_L_2_1)则均与ADOS交流评分呈正相关(以上均P<0.001)。此外,亚型1中LIM与VAN(ITG_L_7_3 - CG_L_7_6)连接与ADOS刻板行为评分表现出负相关(P<0.001)。相比之下,亚型2表现出高度特异性的关联模式,其涉及LIM与SAN间的核心连接(ITG_L_7_3与Hipp_L_2_2)强度与ADOS交流评分呈负相关(P<0.001)。以上见图4B~4D。

图3  聚类结果图。3A:稳定性聚类效果评估热图,数值通过颜色编码表示,其值越大代表聚类质量越高。3B:轮廓系数聚类效果评估热图,数值通过颜色编码表示,其值越大代表聚类质量越高。3C:Davies-Bouldin指数聚类效果评估热图,数值通过颜色编码表示,其值越小代表聚类质量越高。3D:加权评分折线图,数值越大代表聚类质量越高,加权评分按照综合得分公式计算。K-means:K均值聚类;Spectral:谱聚类;Hierarchical Ward:Ward层次聚类;Hierarchical complete:完全连接层次聚类;Hierarchical average:平均连接层次聚类;GMM:高斯混合模型。
Fig. 3  Clustering results. 3A: Stability-based clustering performance evaluation heatmap, where values are color-coded; higher values indicate better clustering quality. 3B: Contour coefficient clustering effectiveness heatmap, with values color-coded; higher values indicate better clustering quality. 3C: Davies-Bouldin index clustering effectiveness heatmap, with values color-coded; lower values indicate better clustering quality. 3D: Weighted score line chart; higher values indicate better clustering quality. The weighted score is calculated using the composite score formula. K-means: K-means clustering; Spectral: spectral clustering; Hierarchical Ward: Ward hierarchical clustering; Hierarchical Complete: complete-linkage hierarchical clustering; Hierarchical Average: average-linkage hierarchical clustering; GMM: Gaussian mixture model.
图4  极端功能连接聚类稳定性及相关性分析。4A:极端功能连接聚类算法ARI热图。4B:亚型1的极端功能连接(一致性率>95%)与ADOS_Communication的相关性分析(P<0.001,未校正)。4C:亚型1的极端功能连接(一致性率>95%)与ADOS_Stereotyped_Behavior的相关性分析(P<0.001,未校正)。4D:亚型2的极端功能连接(一致性率>95%)与ADOS_Communication的相关性分析(P<0.001,未校正)。蓝色表示负相关,红色表示正相关。ARI:调整兰德指数;ADOS:孤独症诊断观察量表;SAN:显著网络;VIS:视觉网络;SMN:感觉运动网络;DAN:背侧注意网络;VAN:腹侧注意网络;LIM:边缘系统;FPN:额顶网络;DMN:默认网络;K-means:K均值聚类;Spectral:谱聚类;Hierarchical Ward:Ward层次聚类;Hierarchical complete:完全连接层次聚类;Hierarchical average:平均连接层次聚类;GMM:高斯混合模型。
Fig. 4  Stability and correlation analysis of extreme functional connectivity clusters. 4A: ARI heatmap of extreme functional connectivity clusters. 4B: Correlation analysis between extreme functional connectivity (consistency rate > 95%) and ADOS_Communication in Subtype 1 (P < 0.001, uncorrected). 4C: Correlation analysis between extreme functional connectivity (consistency rate > 95%) and ADOS_Stereotyped_Behavior for Subtype 1 (P < 0.001, uncorrected). 4D: Correlation analysis between extreme functional connectivity (consistency rate > 95%) and ADOS_Communication for Subtype 2 (P < 0.001, uncorrected). Blue indicates negative correlation; red indicates positive correlation. ARI: Adjusted Rand Index; ADOS: Autism Diagnostic Observation Schedule; SAN: Salience network; VIS: visual network; SMN: somatomotor network; DAN: dorsal attention network; VAN: ventral attention network; LIM: limbic network; FPN: frontoparietal network; DMN: default mode network; K-means: K-means clustering; Spectral: spectral clustering; Hierarchical Ward: Ward hierarchical clustering; Hierarchical Complete: complete-linkage hierarchical clustering; Hierarchical Average: average-linkage hierarchical clustering; GMM: Gaussian mixture model.
表2  ASD不同亚型的临床特征统计
Tab. 2  Clinical characteristics statistics of different subtypes of ASD

2.4 亚型指标分析结果

       亚型1、2节点频率强度最高的前10个脑区见表3,两个亚型在异常连接的分布和群体一致性上表现出显著分化的特征。亚型1核心节点频率强度相对较低,内部极端的连接特征更为分散。从分布上看,异常特征涉及LIM、SAN、FPN、SMN等多个网络。相比之下,亚型2呈现出以SAN为核心的高频一致性模式,并涉及DMN、LIM。其极端连接频率显著高于亚型1,核心节点涵盖了基底节(basal ganglia, BG)、丘脑(thalamus, Tha)及杏仁核(amygdala, Amyg)等区域。

表3  极端功能连接频率
Tab. 3  Frequency of extreme functional connectivity

2.5 组间连接统计分析结果

       脑网络分析结果(图5)显示,两种亚型在功能连接模式上表现出显著异质性。相较于HC,亚型1功能连接增强主要涉及VAN、VIS及DMN相关连接,其中VAN与VIS之间的耦合差异有统计学意义(Cohen's d=0.254~0.387,图5A);而功能连接减弱则主要涉及SMN、LIM及DAN(Cohen's d=-0.400~-0.254,图5B)。相比之下,亚型2仅表现为DMN内部功能连接的显著减弱(Cohen's d=-0.714~-0.620,图5C)。

图5  组间统计分析结果。5A:亚型1 的功能连接与健康对照(HC)两样本t 检验的分析结果(Bonferroni P<0.05),红色表示亚型1 的功能连接强度显著高于HC。5B:亚型1 的功能连接与HC 两样本t 检验的分析结果(Bonferroni P<0.05),蓝色表示亚型1 的功能连接强度显著低于HC。5C:亚型2 的功能连接与HC两样本t 检验的分析结果(Bonferroni P<0.05),蓝色表示亚型2 的功能连接强度显著低于HC。SAN:显著网络;VIS:视觉网络;SMN:感觉运动网络;DAN:背侧注意网络;VAN:腹侧注意网络;LIM:边缘系统;FPN:额顶网络;DMN:默认网络。
Fig. 5  Intergroup statistical analysis results. 5A: Functional connectivity analysis between Subtype 1 and healthy control (HC) using a two-sample t-test (Bonferroni P < 0.05). Red indicates significantly stronger functional connectivity in Subtype 1 compared to HC. 5B: Functional connectivity analysis results between Subtype 1 and HC using a two-sample t-test (Bonferroni P < 0.05). Blue indicates significantly lower functional connectivity strength in Subtype 1 compared to HC. 5C: Functional connectivity analysis results between Subtype 2 and HC using a two-sample t-test (Bonferroni P < 0.05). Blue indicates significantly lower functional connectivity strength in Subtype 2 compared to HC. SAN: salience network; VIS: visual network; SMN: somatomotor network; DAN: dorsal attention network; VAN: ventral attention network; LIM: limbic network; FPN: frontoparietal network; DMN: default mode network.

2.6 机器学习分类结果

       为了评估所识别的神经生理亚型在临床诊断中的潜在价值,我们利用识别出的2782条极端功能连接(一致性率>95%)作为分类特征,构建了多核支SVM分类模型。分类模型在全组患者与HC的区分(ASD-HC)中表现出有限的判别力,其平均准确率为56.4%±0.7%(95% CI:56.3%~56.5%),AUC为0.622±0.007(95% CI:0.621~0.624)(表4)。相比之下,基于亚型划分模型判别表现出显著提升(图6A~6B)。具体而言,亚型1模型(Subtype 1-HC)平均准确率提升至61.8%±0.6%(95% CI:61.7%~61.9%),AUC达到0.678±0.005(95% CI:0.677~0.679)。亚型2模型(Subtype 2-HC)准确率达83.7%±0.3%(95% CI:83.6%~83.7%),AUC达到0.902±0.003(95% CI:0.901~0.902)(表4)。置换检验结果显示,所有亚型模型的分类准确率均显著高于随机水平(P<0.001,10 000次置换检验)。此外,两样本t检验结果证实,两种亚型模型的判别表现均显著优于全组未分层模型(Subtype 1-HC与ASD-HC:t=6.79,Bonferroni P<0.05;Subtype 2-HC与ASD-HC:t=7.62,Bonferroni P<0.05;Subtype 1-HC与Subtype 2-HC:t=-5.47,Bonferroni P<0.05)。

图6  机器学习分类。6A:分类模型性能;6B:使用全体患者模型与亚型模型的分类准确率比较。Subtype 1和Subtype 2分别表示识别出的两种亚型。***表示Bonferroni P<0.001。ASD:孤独症;HC:健康对照;AUC:曲线下面积。
Fig. 6  Machine learning classification. 6A: Classification model performance; 6B: Comparison of classification accuracy between the all-patient model and the subtype-specific models. Subtype 1 and Subtype 2 denote the two identified subtypes. ***: Bonferroni P < 0.001. ASD: autism spectrum disorder; HC: healthy control; AUC: area under the curve.
表4  模型分类性能
Tab. 4  Model classification performance

3 讨论

       本研究采用个体化极端功能连接分析与多算法集成聚类方法,探讨了ASD全脑功能连接的神经生理异质性。结果显示,TI方法从个体偏离健康常模的角度识别出广泛且分散的异常功能连接,为传统组均值比较提供了补充。基于极端功能连接特征,本研究识别出两种空间分布模式不同的影像学亚型:亚型1主要表现为跨多个功能网络的分散性异常,部分连接与ADOS症状评分相关;亚型2则表现为以显著性网络及基底节、丘脑等皮层下区域为主的集中性异常,并伴有DMN内部连接减弱。病例对照分类结果进一步显示,亚型2具有相对较高的分类性能。

3.1 个体化极端功能连接的分布特征

       本研究采用TI方法,从个体偏离健康常模的角度识别出2782条在ASD患者中稳定富集的极端功能连接,而经Bonferroni校正的传统组间比较仅识别出21条差异连接。两种方法检出连接数量的差异与其统计目标不同有关:传统组间比较关注连接强度是否存在方向一致的平均改变,而TI方法关注个体连接是否超出健康参考区间。因此,当不同ASD患者在同一连接上呈现方向不一的偏离时,其效应可能在组均值比较中相互抵消,加之Bonferroni校正较为严格,最终仅保留少量方向一致的差异连接。由此可见,TI方法检出更多连接并不表示其统计性能必然优于传统方法,而是提示ASD的功能连接异常可能更多表现为分布广泛、方向不一的个体化偏离,而不完全表现为方向一致的组均值改变。该结果与既往研究关于ASD功能连接具有个体特异性和长尾式分布特征的报道一致[33],并可在一定程度上解释既往研究中连接增强与减弱结果并不一致的现象。节点分析显示,右侧下额回(IFG_R_6_5)、右侧中额回(MFG_R_7_4)和左侧上颞回(STG_L_6_2)具有较高的节点度数,提示这些区域可能是ASD个体化功能连接偏离较为集中的候选节点。右侧下额回参与社会性信息识别、反应抑制及模仿等过程,其连接偏离可能与ASD社会信息加工异常有关[34]。右侧中额回参与执行控制和认知灵活性调节,其异常连接可能与ASD执行功能改变有关[35, 36]。左侧上颞回参与听觉、语言及社会知觉信息加工,其较高的异常连接度可能反映感觉-知觉与社会信息整合过程的改变[37, 38]。这些脑区的功能与ASD核心症状所涉及的认知过程具有一定一致性。总体而言,TI方法从个体常模偏离的角度补充了传统组均值分析,有助于理解ASD功能连接研究结果的不一致性及其神经生物学异质性,并为后续亚型划分和患者分层提供了候选影像特征。

3.2 ASD神经生理亚型及其临床相关性

       本研究基于极端功能连接识别出两个数据驱动的影像学亚型。亚型1的异常连接涉及LIM、SAN、FPN和SMN等多个功能网络,节点频率较低且空间分布相对分散,其中右侧颞下回(ITG_R_7_6,18.83%)和右侧旁海马回(PhG_R_6_4,18.64%)的极端连接频率相对较高。既往研究指出,ASD的功能连接异常更多表现为相对于健康常模的个体化、长尾式偏离,而非统一的连接增强或减弱[39],本研究中亚型1的弥散性异常模式与上述结果具有一定一致性,提示其可能代表以分散性网络失调和较高个体异质性为主要特征的神经功能模式[7, 40]。临床关联分析显示,亚型1中SMN-SAN功能连接与ADOS交流评分呈负相关,VIS-SAN、DMN-SAN及SMN-VIS功能连接与交流评分呈正相关,LIM-VAN功能连接与ADOS刻板行为评分呈负相关,提示感觉加工、显著性识别和高级认知调节网络之间的异常耦合可能与交流障碍及刻板行为的症状表现有关[41]。与亚型1不同,亚型2的极端功能连接频率较高,异常主要集中于SAN相关的基底节、丘脑和杏仁核等皮层下区域,其中左侧基底节(BG_L_6_5,56.21%)和左侧丘脑(Tha_L_8_1,54.30%)表现出较高的组内一致性。该结果与既往关于丘脑—纹状体—皮层环路参与ASD感觉门控、显著性评价和行为调节异常的研究相呼应[42, 43]。提示亚型2可能代表以皮层下-显著性网络异常为主的相对同质性亚群。亚型2中LIM-SAN功能连接与ADOS刻板行为评分呈负相关,表明边缘系统与显著性网络之间的耦合变化可能与刻板行为的严重程度有关。总体而言,两种亚型分别呈现分散性、高异质性和集中性、高一致性的功能连接异常模式,在理论上有助于解释ASD总体异质性与亚群内部一致性并存的现象,在临床上提示影像学分型可作为行为量表的潜在补充,为患者分层和个体化干预提供候选依据。

3.3 亚型特异性脑网络改变

       组间连接统计分析进一步显示,两种亚型具有不同的脑网络改变模式:亚型1的差异连接分布较广,主要表现为VAN、VIS和DMN相关连接增强;亚型2的差异连接数量相对较少,主要表现为DMN内部连接减弱,但效应量绝对值相对较大。亚型1增强较明显的连接包括右侧下顶小叶(IPL_R_6_4)与右侧中央后回(PoG_R_4_1)之间、右侧眶额回两个亚区(OrG_R_6_1与OrG_R_6_6)之间,以及右侧额上回两个亚区(SFG_R_7_1与SFG_R_7_2)之间。这些连接涉及注意重定向、视觉信息加工、自我参照加工及躯体感觉信息整合等过程[44, 45, 46],提示亚型1可能存在感觉加工网络与高级认知网络之间的广泛性耦合异常。VAN-VIS功能连接增强与既往关于ASD视觉加工偏好的研究结果[47, 48]具有一定一致性,可能反映视觉信息加工与显著性识别之间的耦合改变。相比之下,亚型2主要表现出较为集中的DMN内部功能连接减弱,其中效应量绝对值较大的连接位于左侧额上回(SFG_L_7_3)与左侧眶额回(OrG_L_6_2)之间,以及左侧眶额回(OrG_L_6_2)与左侧颞中回(MTG_L_4_4)之间。左侧额上回参与高级认知控制、自我监测及社会认知过程的调节,其连接减弱可能影响对复杂社会信息的整合与控制[49]。左侧眶额回参与情绪评价、社会奖赏加工和价值判断,其功能异常可能影响个体对社会性刺激情感价值的评估[50]。左侧颞中回参与语义加工、社会知觉和心理理论等过程,其连接改变可能与社会语义信息的理解和他人心理状态的推断困难有关[51]。上述脑区之间的功能连接减弱可能反映DMN内部自我参照加工、情绪评价和社会认知信息整合效率下降,这与既往关于ASD DMN连接异常的研究结果相呼应[52, 53]。值得注意的是,亚型2在个体化极端连接分析中主要表现为SAN及皮层下区域异常,而组均值比较主要检出DMN内部连接减弱,两者反映的是功能连接异常的不同维度。TI方法关注个体连接是否超出健康参考区间,而组间比较关注连接强度是否存在方向一致的平均改变,因此部分皮层下连接虽然具有较高的个体异常频率,但其偏离方向可能存在差异,进而未形成显著的组均值改变;相比之下,DMN内部连接可能具有较为一致的减弱方向,因而表现出较大的组间效应。亚型1的广泛性连接增强与亚型2的局限性连接减弱,在一定程度上延续了前述“分散性、高异质性”和“集中性、高一致性”的亚型特征,也说明个体极端偏离分析与传统组均值比较能够从不同角度揭示ASD的脑网络异常。

3.4 亚型分层的病例对照分类表现

       基于极端功能连接进行亚型分层后,不同亚型表现出不同的病例对照分类性能。全组模型的分类准确率为56.4%,AUC为0.622;亚型1模型的分类准确率为61.8%,AUC为0.678,较全组模型仅呈有限的数值提升。该结果可能与亚型1“分散性、高异质性”的功能连接模式有关:其极端功能连接涉及LIM、SAN、FPN和SMN等多个网络,但节点频率较低且空间分布较为弥散,不同个体之间共享的稳定异常特征相对有限,因而增加了分类模型提取一致性判别信息的难度。相比之下,亚型2模型的分类准确率为83.7%,AUC为0.902,数值上高于全组模型和亚型1模型。亚型2的极端功能连接主要集中于SAN相关的基底节和丘脑等区域,其中左侧基底节(BG_L_6_5)和左侧丘脑(Tha_L_8_1)具有较高的极端连接频率,呈现出相对集中且组内一致性较高的异常模式。这种空间分布较集中、个体间共享程度较高的连接特征可能降低病例组内部的特征变异,使分类模型更容易提取相对稳定的判别信息,从而获得较高的分类性能。因此,本研究结果提示,病例对照分类性能可能与亚型内部的神经生物学一致性及异常特征的空间集中程度有关:当异常连接集中于相对一致的关键区域时,模型可能更容易形成稳定的分类边界;当异常模式呈弥散性分布且个体差异较大时,分类性能则可能受到限制。极端功能连接分析能够从个体偏离健康常模的角度补充传统组均值分析,为揭示ASD亚型特异性神经模式、理解其内部异质性以及构建亚型特异性的辅助识别模型提供了新的影像学依据。

3.5 局限性与展望

       本研究存在若干局限。首先,横断面设计的固有缺陷。本研究缺乏纵向随访数据,无法评估所识别亚型随发育轨迹的动态稳定性。此外,ABIDE数据库未收录确切的确诊年龄信息,诊断时机的差异可能混淆脑功能连接模式及亚型划分,未来需在前瞻性纵向队列中验证本发现的时序稳定性。其次,缺乏对脑结构发育的系统评估。尽管我们在质控阶段已排除存在明显结构性病变的病例,但本研究未系统整合常规MRI影像学特征,亦未量化脑结构发育指标(如皮层厚度、体积等),因此尚无法解析脑结构发育异常对功能连接异常的因果贡献。最后,样本代表性及空间覆盖的限制。受限于ABIDE数据集的男性优势及宽泛的年龄跨度,本研究结论主要适用于男性ASD群体。正如近期大规模常模研究指出,性别特异的发育轨迹可能混淆神经生物学亚型,因此本结论在女性及特定发育阶段(如儿童期)的外推性尚需谨慎。尽管我们在模型中将年龄作为连续协变量进行了严格控制,且亚型间年龄无显著差异,但宽泛的年龄范围仍限制了我们对发育动态的精细观察,未来需采用非线性模型进一步探讨年龄的复杂效应。此外,受当前图谱限制未涵盖小脑分区,未来需在高分辨率全脑图谱中进一步验证小脑在ASD亚型中的作用。

4 结论

       本研究基于ABIDE多中心rs-fMRI数据,采用TI方法和多算法聚类,从个体偏离健康常模的角度识别出两种空间分布不同的ASD影像学亚型:亚型1表现为多网络分散性异常,亚型2表现为以显著性网络及皮层下区域为主的集中性异常,并伴DMN内部连接减弱。机器学习亚型分类模型提示亚型分层有助于提高病例对照可区分性。个体偏离健康常模的分析视角能够补充传统组均值比较,为理解ASD的神经生物学异质性、开展影像学亚型分层以及构建亚型特异性的辅助识别模型提供依据。

[1]
CHEN J, ZHANG C, WANG R, et al. Molecular basis underlying functional connectivity of fusiform gyrus subregions: A transcriptome-neuroimaging spatial correlation study[J]. Cortex, 2022, 152: 59-73. DOI: 10.1016/j.cortex.2022.03.016.
[2]
BARAN B, NGUYEN Q T H, MYLONAS D, et al. Increased resting-state thalamocortical functional connectivity in children and young adults with autism spectrum disorder[J]. Autism Res, 2023, 16(2): 271-279. DOI: 10.1002/aur.2875.
[3]
WANG J, KAWATA N Y S, CAO X, et al. White-Matter fiber tract and resting-state functional connectivity abnormalities in young children with autism spectrum disorder[J/OL]. Neuroimage, 2025, 310: 121109 [2026-01-22]. https://doi.org/10.1016/j.neuroimage.2025.121109. DOI: 10.1016/j.neuroimage.2025.121109.
[4]
KHANDAN KHADEM-REZA Z, SHAHRAM M A, ZARE H. Altered resting-state functional connectivity of the brain in children with autism spectrum disorder[J]. Radiol Phys Technol, 2023, 16(2): 284-291. DOI: 10.1007/s12194-023-00717-2.
[5]
FELDMAN D, PRIGGE M, ALEXANDER A, et al. Flexible nonlinear modeling reveals age-related differences in resting-state functional brain connectivity in autistic males from childhood to mid-adulthood[J/OL]. Mol Autism, 2025, 16(1): 24 [2026-01-22]. https://doi.org/10.1186/s13229-025-00657-1. DOI: 10.1186/s13229-025-00657-1.
[6]
许媛媛, 张国敏, 伍光榕, 等. 多模态结构-功能MRI在孤独症谱系障碍大尺度脑网络层级异常中的研究进展[J]. 磁共振成像, 2026, 17(1): 128-133. DOI: 10.12015/issn.1674-8034.2026.01.020.
XU Y Y, ZHANG G M, WU G R, et al. Research progress on multimodal structural-functional MRI studies of hierarchical large-scalebrain network abnormalities in autism spectrum disorder[J]. Chin J Magn Reson Imaging, 2026, 17(1): 128-133. DOI: 10.12015/issn.1674-8034.2026.01.020.
[7]
LIU Q, LAI H, LE J, et al. Identifying brain functional subtypes and corresponding task performance profiles in autism spectrum disorder[J]. Mol Psychiatry, 2025, 30(11): 5034-5044. DOI: 10.1038/s41380-025-03086-x.
[8]
TADDEI M, CUESTA P, ANNUNZIATA S, et al. Correlation between autistic traits and brain functional connectivity in preschoolers with autism spectrum disorder: a resting state MEG study[J]. Neurol Sci, 2024, 45(9): 4549-4561. DOI: 10.1007/s10072-024-07528-2.
[9]
JIN J, WANG X Q, YANG X, et al. Abnormal individualized peak functional connectivity toward potential repetitive transcranial magnetic stimulation treatment of autism spectrum disorder[J]. Hum Brain Mapp, 2023, 44(16): 5450-5459. DOI: 10.1002/hbm.26455.
[10]
WANG J, WANG X, WANG R, et al. Atypical Resting-State Functional Connectivity of Intra/Inter-Sensory Networks Is Related to Symptom Severity in Young Boys With Autism Spectrum Disorder[J/OL]. Front Physiol, 2021, 12: 626338 [2026-01-22]. https://doi.org/10.3389/fphys.2021.626338. DOI: 10.3389/fphys.2021.626338.
[11]
KORNISCH M, GONZALEZ C, IKUTA T. Functional connectivity of the posterior cingulate cortex in autism spectrum disorder[J/OL]. Psychiatry Res Neuroimaging, 2024, 342: 111848 [2026-01-22]. https://doi.org/10.1016/j.pscychresns.2024.111848. DOI: 10.1016/j.pscychresns.2024.111848.
[12]
LAWRENCE K E, HERNANDEZ L M, BOWMAN H C, et al. Sex Differences in Functional Connectivity of the Salience, Default Mode, and Central Executive Networks in Youth with ASD[J]. Cereb Cortex, 2020, 30(9): 5107-5120. DOI: 10.1093/cercor/bhaa105.
[13]
WAN L, LI Y, ZHU G, et al. Multimodal investigation of dynamic brain network alterations in autism spectrum disorder: Linking connectivity dynamics to symptoms and developmental trajectories[J/OL]. Neuroimage, 2024, 302: 120895 [2026-01-22]. https://doi.org/10.1016/j.neuroimage.2024.120895. DOI: 10.1016/j.neuroimage.2024.120895.
[14]
ZHANG J, ZHANG Z, SUN H, et al. Personalized functional network mapping for autism spectrum disorder and attention-deficit/hyperactivity disorder[J/OL]. Transl Psychiatry, 2024, 14(1): 92 [2026-01-22]. https://doi.org/10.1038/s41398-024-02797-z. DOI: 10.1038/s41398-024-02797-z.
[15]
LU H, DONG Q, GAO L, et al. Sex heterogeneity of dynamic brain activity and functional connectivity in autism spectrum disorder[J]. Autism Res, 2024, 17(9): 1796-1809. DOI: 10.1002/aur.3227.
[16]
WANG N, YAO D, MA L, et al. Multi-site clustering and nested feature extraction for identifying autism spectrum disorder with resting-state fMRI[J/OL]. Med Image Anal, 2022, 75: 102279 [2026-01-22]. https://doi.org/10.1016/j.media.2021.102279. DOI: 10.1016/j.media.2021.102279.
[17]
REN P, BI Q, PANG W, et al. Stratifying ASD and characterizing the functional connectivity of subtypes in resting-state fMRI[J/OL]. Behav Brain Res, 2023, 449: 114458 [2026-01-22]. https://doi.org/10.1016/j.bbr.2023.114458. DOI: 10.1016/j.bbr.2023.114458.
[18]
FENG W, LIU G, ZENG K, et al. A review of methods for classification and recognition of ASD using fMRI data[J/OL]. J Neurosci Methods, 2022, 368: 109456 [2026-01-22]. https://doi.org/10.1016/j.jneumeth.2021.109456. DOI: 10.1016/j.jneumeth.2021.109456.
[19]
ZHANG J, LI W, ROSKOS L K, et al. Immunogenicity assay cut point determination using nonparametric tolerance limit[J]. J Immunol Methods, 2017, 442: 29-34. DOI: 10.1016/j.jim.2017.01.001.
[20]
FANG K, NIU L, WEN B, et al. Individualized resting-state functional connectivity abnormalities unveil two major depressive disorder subtypes with contrasting abnormal patterns of abnormality[J/OL]. Transl Psychiatry, 2025, 15(1): 45 [2026-01-22]. https://doi.org/10.1038/s41398-025-03268-9. DOI: 10.1038/s41398-025-03268-9.
[21]
MARON-KATZ A, ZHANG Y, NARAYAN M, et al. Individual Patterns of Abnormality in Resting-State Functional Connectivity Reveal Two Data-Driven PTSD Subgroups[J]. Am J Psychiatry, 2020, 177(3): 244-253. DOI: 10.1176/appi.ajp.2019.19010060.
[22]
DI MARTINO A, YAN C G, LI Q, et al. The autism brain imaging data exchange: towards a large-scale evaluation of the intrinsic brain architecture in autism[J]. Mol Psychiatry, 2014, 19(6): 659-667. DOI: 10.1038/mp.2013.78.
[23]
DI MARTINO A, O'CONNOR D, CHEN B, et al. Enhancing studies of the connectome in autism using the autism brain imaging data exchange II[J/OL]. Sci Data, 2017, 4: 170010 [2026-01-22]. https://doi.org/10.1038/sdata.2017.10. DOI: 10.1038/sdata.2017.10.
[24]
HONG S J, DE WAEL R VOS, BETHLEHEM R A I, et al. Atypical functional connectome hierarchy in autism[J/OL]. Nat Commun, 2019, 10(1): 1022 [2026-01-22]. https://doi.org/10.1038/s41467-019-08944-1. DOI: 10.1038/s41467-019-08944-1.
[25]
YAN C G, WANG X D, ZUO X N, et al. DPABI: Data Processing & Analysis for (Resting-State) Brain Imaging[J]. Neuroinformatics, 2016, 14(3): 339-351. DOI: 10.1007/s12021-016-9299-4.
[26]
ZHANG D, LIU J, FAN L, et al. Quantitative description of the relationship between the enhancement of distraction-suppression and brain local state alteration after transcranial direct current stimulation[J/OL]. Front Neurosci, 2022, 16: 984893 [2026-01-22]. https://doi.org/10.3389/fnins.2022.984893. DOI: 10.3389/fnins.2022.984893.
[27]
朱鹏雨, 陈雄, 邹露露, 等. 青少年双相情感障碍患者短期治疗前后大脑默认模式网络功能连接的变化[J]. 磁共振成像, 2025, 16(12): 14-21. DOI: 10.12015/issn.1674-8034.2025.12.003.
ZHU P Y, CHEN X, ZOU L L, et al. Default mode network functional connectivity changes in adolescent bipolar disorder patientsafter short-term treatment[J]. Chin J Magn Reson Imaging, 2025, 16(12):14-21. DOI: 10.12015/issn.1674-8034.2025.12.003.
[28]
ZHANG Y, XUE Y, WU X, et al. Selecting Multiple Node Statistics Jointly from Functional Connectivity Networks for Brain Disorders Identification[J]. Brain Topogr, 2022, 35(5-6): 559-571. DOI: 10.1007/s10548-022-00914-z.
[29]
FAN L, LI H, ZHUO J, et al. The Human Brainnetome Atlas: A New Brain Atlas Based on Connectional Architecture[J]. Cereb Cortex, 2016, 26(8): 3508-3526. DOI: 10.1093/cercor/bhw157.
[30]
王瑶, 马焕, 张大福, 等. 青少年脑MRI多尺度结构影像组学数据校准方法研究[J]. 磁共振成像, 2023, 14(8): 100-107. DOI: 10.12015/issn.1674-8034.2023.08.016.
WANG Y, MA H, ZHANG D F, et al. Normalizing radiomics features from multiscale structural MRI of the adolescent brain[J]. Chin J Magn Reson Imaging, 2023, 14(8):100-107. DOI: 10.12015/issn.1674-8034.2023.08.016.
[31]
ZERAATI M, DAVOODI A. ASD-GraphNet: A novel graph learning approach for Autism Spectrum Disorder diagnosis using fMRI data[J/OL]. Comput Biol Med, 2025, 196(Pt B): 110723 [2026-01-22]. https://doi.org/10.1016/j.compbiomed.2025.110723. DOI: 10.1016/j.compbiomed.2025.110723.
[32]
LIAO W, WU G R, XU Q, et al. DynamicBC: a MATLAB toolbox for dynamic brain connectome analysis[J]. Brain Connect, 2014, 4(10): 780-790. DOI: 10.1089/brain.2014.0253.
[33]
BENKARIM O, PAQUOLA C, PARK B Y, et al. Connectivity alterations in autism reflect functional idiosyncrasy[J/OL]. Commun Biol, 2021, 4(1): 1078 [2026-01-22]. https://doi.org/10.1038/s42003-021-02572-6. DOI: 10.1038/s42003-021-02572-6.
[34]
XU S, LI M, YANG C, et al. Altered Functional Connectivity in Children With Low-Function Autism Spectrum Disorders[J/OL]. Front Neurosci, 2019, 13: 806 [2026-01-22]. https://doi.org/10.3389/fnins.2019.00806. DOI: 10.3389/fnins.2019.00806.
[35]
DENG J, LEI T, DU X. Effects of sensory integration training on balance function and executive function in children with autism spectrum disorder: evidence from Footscan and fNIRS[J/OL]. Front Psychol, 2023, 14: 1269462 [2026-01-22]. https://doi.org/10.3389/fpsyg.2023.1269462. DOI: 10.3389/fpsyg.2023.1269462.
[36]
TRYFON A, FOSTER N E V, SHARDA M, et al. Speech perception in autism spectrum disorder: An activation likelihood estimation meta-analysis[J]. Behav Brain Res, 2018, 338: 118-127. DOI: 10.1016/j.bbr.2017.10.025.
[37]
KITAMURA S, MATSUOKA K, TAKAHASHI M, et al. Association of adverse childhood experience-related increase in neurite density with sensory over-responsivity in autism spectrum disorder: A neurite orientation dispersion and density imaging study[J]. J Psychiatr Res, 2023, 161: 316-323. DOI: 10.1016/j.jpsychires.2023.03.029.
[38]
SHEN L, ZHANG J, FAN S, et al. Cortical thickness abnormalities in autism spectrum disorder[J]. Eur Child Adolesc Psychiatry, 2024, 33(1): 65-77. DOI: 10.1007/s00787-022-02133-0.
[39]
LEE J E, KIM S, PARK S, et al. Atypical maturation of the functional connectome hierarchy in autism[J/OL]. Mol Autism, 2025, 16(1): 21 [2026-01-22]. https://doi.org/10.1186/s13229-025-00641-9. DOI: 10.1186/s13229-025-00641-9.
[40]
JIANG A, MA X, LI S, et al. Age-atypical brain functional networks in autism spectrum disorder: a normative modeling approach[J]. Psychol Med, 2024, 54(9): 2042-2053. DOI: 10.1017/s0033291724000138.
[41]
AHN Y A, MOFFITT J M, TAO Y, et al. Objective Measurement of Social Gaze and Smile Behaviors in Children with Suspected Autism Spectrum Disorder During Administration of the Autism Diagnostic Observation Schedule, 2nd Edition[J]. J Autism Dev Disord, 2024, 54(6): 2124-2137. DOI: 10.1007/s10803-023-05990-z.
[42]
WAGNER L, BANCHIK M, OKADA N J, et al. Associations between thalamocortical functional connectivity and sensory over-responsivity in infants at high likelihood for ASD[J]. Cereb Cortex, 2023, 33(12): 8075-8086. DOI: 10.1093/cercor/bhad100.
[43]
SHANG J, SHEN E, YU Y, et al. Relationship between abnormal intrinsic functional connectivity of subcortices and autism symptoms in high-functioning adults with autism spectrum disorder[J/OL]. Psychiatry Res Neuroimaging, 2024, 337: 111762 [2026-01-22]. https://doi.org/10.1016/j.pscychresns.2023.111762. DOI: 10.1016/j.pscychresns.2023.111762.
[44]
LEE Y, PARK B Y, JAMES O, et al. Autism Spectrum Disorder Related Functional Connectivity Changes in the Language Network in Children, Adolescents and Adults[J/OL]. Front Hum Neurosci, 2017, 11: 418 [2026-01-22]. https://doi.org/10.3389/fnhum.2017.00418. DOI: 10.3389/fnhum.2017.00418.
[45]
WANG K, LI K, NIU X. Altered Functional Connectivity in a Triple-Network Model in Autism With Co-occurring Attention Deficit Hyperactivity Disorder[J/OL]. Front Psychiatry, 2021, 12 [2026-01-22]. https://doi.org/10.3389/fpsyt.2021.736755. DOI: 10.3389/fpsyt.2021.736755.
[46]
ATTANASIO M, MAZZA M, LE DONNE I, et al. Salience Network in Autism: preliminary results on functional connectivity analysis in resting state[J]. Eur Arch Psychiatry Clin Neurosci, 2025, 275(8): 2479-2492. DOI: 10.1007/s00406-024-01949-y.
[47]
HAGHIGHAT H, MIRZAREZAEE M, ARAABI B N, et al. Functional Networks Abnormalities in Autism Spectrum Disorder: Age-Related Hypo and Hyper Connectivity[J]. Brain Topogr, 2021, 34(3): 306-322. DOI: 10.1007/s10548-021-00831-7.
[48]
GIRAULT J B, NISHINO T, TALOVIĆ M, et al. Functional connectivity between the visual and salience networks and autistic social features at school-age[J/OL]. J Neurodev Disord, 2025, 17(1): 23 [2026-01-22]. https://doi.org/10.1186/s11689-025-09613-9. DOI: 10.1186/s11689-025-09613-9.
[49]
WANG L, QIN Y, YANG S, et al. Posterior default mode network is associated with the social performance in male children with autism spectrum disorder: A dynamic causal modeling analysis based on triple-network model[J/OL]. Hum Brain Mapp, 2024, 45(8): e26750 [2026-01-22]. https://doi.org/10.1002/hbm.26750. DOI: 10.1002/hbm.26750.
[50]
ZHOU R, SUN C, SUN M, et al. Altered intra- and inter-network connectivity in autism spectrum disorder[J]. Aging (Albany NY), 2024, 16(11): 10004-10015. DOI: 10.18632/aging.205913.
[51]
ILIOSKA I, OLDEHINKEL M, LLERA A, et al. Connectome-wide Mega-analysis Reveals Robust Patterns of Atypical Functional Connectivity in Autism[J]. Biol Psychiatry, 2023, 94(1): 29-39. DOI: 10.1016/j.biopsych.2022.12.018.
[52]
NAIR A, JALAL R, LAWRENCE K E, et al. Triple-Network Functional Connectivity in Adolescents With Autism Spectrum Disorder Compared to Early-Onset Psychosis[J/OL]. Autism Res, 2026, 19(4): e70163 [2026-01-22]. https://doi.org/10.1002/aur.70163. DOI: 10.1002/aur.70163.
[53]
DUBEY S, SARKHEL S, SENGUPTA S, et al. Broader autism phenotype, the default mode network, and brain entropy: A network-level hypothesis[J/OL]. Res Neurodivers, 2026, 2 [2026-01-22]. https://doi.org/10.1016/j.rin.2026.100044. DOI: 10.1016/j.rin.2026.100044.

上一篇 伴中央颞区棘波自限性癫痫患儿白质功能网络、功能协变网络改变
下一篇 基于皮层-纹状体-小脑环路结构与代谢特征的可解释机器学习模型预测青少年首发重度抑郁障碍恢复后复发风险
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2