人工智能在功能磁共振成像數(shù)據(jù)中的自閉癥研究綜述

顧 劍，錢育蓉，王蘭蘭，胡 月，陳嘉穎，冷洪勇，馬夢楠

1.新疆大學 軟件學院，烏魯木齊830091

2.新疆大學 新疆維吾爾自治區(qū)信號檢測與處理重點實驗室，烏魯木齊830046

3.新疆大學 軟件工程重點實驗室，烏魯木齊830000

4.中南大學 計算機學院，長沙410083

5.北京理工大學 計算機學院，北京100081

自閉癥譜系障礙（autism spectrum disorder，ASD）是一種廣泛性中樞神經(jīng)發(fā)育障礙，在美國精神障礙診斷與統(tǒng)計手冊第5 版（MIDS-5）[1]中將其描述為：（1）社會-情感的缺陷。（2）非語言交際行為的缺陷。（3）理解、發(fā)展和維持關(guān)系的缺陷。在美國每54名兒童中就有一人被診斷出患有自閉癥。2019年，中國發(fā)布的《中國自閉癥教育康復行業(yè)發(fā)展報告Ⅲ》數(shù)據(jù)顯示，中國有超過200萬的自閉癥兒童，患病率約為7%，嚴重危害兒童的身心健康，給整個家庭帶來沉重的負擔。中國國家衛(wèi)健委于2022 年印發(fā)《0～6 歲兒童孤獨癥篩查干預服務(wù)規(guī)范（試行）》，旨在進一步改善自閉癥兒童的身心健康。

相關(guān)研究人員強調(diào)了早期識別和早期干預對于提高自閉癥兒童的語言、交流和健康水平的重要性。然而，由于部分地區(qū)醫(yī)療條件有限，無法及時診斷并完成干預工作。因此，采用相關(guān)人工智能方法加快自閉癥智能輔助診斷的研究意義重大。機器學習、深度學習方法等先進技術(shù)以提高診斷的準確性、效率和質(zhì)量為目的應用在該領(lǐng)域中，來提高臨床醫(yī)師對疾病的診斷效果。

1 研究概述

自閉癥作為一種普遍的精神發(fā)育障礙，在過去幾十年中急劇上升，而其成因卻一直難以查明，因此越來越多的研究人員投入該領(lǐng)域的研究中[2]。該疾病的臨床發(fā)病原因多為大腦活動異常，臨床診斷多數(shù)方法是基于癥狀學的行為觀察，這通常需要大量優(yōu)質(zhì)的醫(yī)療資源和長時間的觀察，才能得出是否患病的結(jié)論。通常用ADOS、ADI-R 等量表進行篩查工作。該方法主要的缺點是消耗大量時間進行評估，易錯過最佳治療時間[3]。目前，各類研究人員通過各類實驗方法來研究自閉癥的最佳診斷方法，例如Liu等人[4]和Jaiswal等人[5]對自閉癥患者的眼動、面部表情等行為數(shù)據(jù)進行識別診斷，Manoli等人[6]從基因組學的角度出發(fā)探索自閉癥遺傳性質(zhì)。對于自閉癥患者的行為、語言、基因等方面探索自閉癥的發(fā)病機制仍存在一些局限性，因此需要通過其他方法對自閉癥發(fā)病原因進行剖析。

近年來，醫(yī)學影像技術(shù)和人工智能的快速發(fā)展為腦影像研究提供了一個新的方向。功能磁共振成像（functional magnetic resonance imaging，fMRI）是診斷自閉癥的重要手段之一。同時，相關(guān)方法也廣泛應用在精神類疾病的智能輔助診斷中，例如阿爾茨海默癥、抑郁癥、精神分裂癥等精神疾病[7]。不同的神經(jīng)成像工具已應用于自閉癥的研究[8-9]，大腦的功能和結(jié)構(gòu)可以通過腦電圖[10]、腦磁圖[11]、功能磁共振成像[12]和彌散張量成像[13]等多種腦成像技術(shù)獲得，這些腦成像技術(shù)有助于進一步研究大腦的功能和結(jié)構(gòu)。利用相關(guān)人工智能技術(shù)充分分析發(fā)病生物標志物，可以幫助臨床醫(yī)生和神經(jīng)科學家了解自閉癥患者與正常人大腦之間的獨特機制。通過磁共振成像掃描技術(shù)，醫(yī)生可以了解患者大腦中不同區(qū)域活動程度的變化，從而更好地理解患者的癥狀和行為[14]。

基于功能磁共振成像技術(shù)在醫(yī)學領(lǐng)域廣泛應用于腦部疾病檢測。fMRI技術(shù)具有無侵入性，高空間、時間分辨率，能夠較好地反映不同腦區(qū)之間是否存在問題，在自閉癥患者的臨床早期檢測中使用fMRI技術(shù)越來越重要。在fMRI的研究中，基于靜息態(tài)功能連接（rs-function connectivity，rs-FC）展示出不同大腦區(qū)域測量的血氧水平依賴（blood-oxygen-level dependent，BOLD）信號的空間和時間相關(guān)性，這為腦部疾病的研究開辟新的方向。Anderson 等人[15]于2011 年首次采用功能連接作為特征并通過機器學習方法進行研究，Nielsen等人[16]以此為基礎(chǔ)進一步研究，相關(guān)研究證明功能連接是探索腦疾病發(fā)病機制的關(guān)鍵因素，并具有為疾病診斷提供生物標志物的巨大潛力[17-18]。

機器學習、深度學習相關(guān)人工智能方法可以為自閉癥的研究和臨床診斷提供補充信息并輸出預測值，并且可以根據(jù)正常人與患者大腦腦區(qū)之間的異常，客觀地識別生物標志物[19]。經(jīng)研究統(tǒng)計分析，基于fMRI 數(shù)據(jù)的智能診斷方法的一般過程如圖1所示。首先，對磁共振成像機器所采取的數(shù)據(jù)進行預處理，對預處理之后的數(shù)據(jù)計算功能連接矩陣，并作為輸入模型前的初始特征；其次，使用機器學習或深度學習等算法進行深層特征提取，得到較為重要的特征進行訓練和驗證，根據(jù)不同的評估指標評判模型的有效性和魯棒性；最后，與其他模型對比分析其存在的優(yōu)缺點，利用相關(guān)方法探索該疾病發(fā)病可能存在的生物標志物。通過以上手段，實現(xiàn)自閉癥的人工智能輔助診斷，從而提高診斷效率和準確率。

Pagnozzi 等人[20]從結(jié)構(gòu)、功能磁共振成像的角度總結(jié)ASD 智能診斷的方法，并且說明了ASD 個體和正常人大腦之間的區(qū)別。該研究主要促進人工智能應用在結(jié)構(gòu)、功能磁共振成像模式的診斷中，敘述內(nèi)容較為寬泛。Nogay等人[21]從腦成像技術(shù)方面介紹了相關(guān)機器學習診斷ASD 的文章，并且提出希望能通過機器學習技術(shù)開發(fā)實用的ASD 診斷工具。Parlett-Pellerit 等人[22]從無監(jiān)督機器學習的角度對自閉癥的診斷進行概括總結(jié)，分析了相關(guān)臨床診斷數(shù)據(jù)和醫(yī)學影像數(shù)據(jù)。由于人工智能方法迭代更新較快，針對該疾病的智能診斷方法有了較大的進展。相比于當前已刊出的文章，本綜述主要優(yōu)勢在于總結(jié)近5年來基于fMRI數(shù)據(jù)的自閉癥智能輔助診斷的方法，分析其特點，在前人研究的基礎(chǔ)上全面分析各類方法當前的研究進展。本文的主要貢獻如下：

（1）概述當前人工智能在fMRI 數(shù)據(jù)中自閉癥診斷研究的背景、意義，總結(jié)出自閉癥分類識別的一般過程。

（2）著重探索基于fMRI數(shù)據(jù)的研究，歸納總結(jié)了機器學習、深度學習中涉及自閉癥智能輔助診斷的特征工程方法、模型算法，通過對比分析，得出不同方法的特點和局限性。

（3）總結(jié)當前自閉癥智能診斷在數(shù)據(jù)量和模型研究中的局限性以及未來可能的研究趨勢。

2 自閉癥智能診斷中的挑戰(zhàn)

使用人工智能方法，對fMRI 數(shù)據(jù)處理實現(xiàn)自閉癥智能診斷是當前研究的重點之一，極大地促進計算機實現(xiàn)疾病智能診斷的發(fā)展。由于大腦的復雜網(wǎng)絡(luò)結(jié)構(gòu)以及技術(shù)的局限性，仍然存在一些不可避免的問題，將從以下三點說明人工智能技術(shù)在基于fMRI數(shù)據(jù)的自閉癥診斷中面臨的挑戰(zhàn)。

（1）自閉癥腦成像數(shù)據(jù)交換數(shù)據(jù)庫（autism brain imaging data exchange，ABIDE）[23]是一個大型的公開數(shù)據(jù)集，其存儲的大規(guī)模數(shù)據(jù)為加速對自閉癥神經(jīng)發(fā)病機制的理解帶來極大的便利。該數(shù)據(jù)涉及17個不同站點的數(shù)據(jù)，由于患者人群、掃描設(shè)備的協(xié)議不同，導致數(shù)據(jù)之間的數(shù)據(jù)異構(gòu)性、不平衡性劇增[24-25]，這直接阻礙傳統(tǒng)網(wǎng)絡(luò)嵌入學習方法的應用。

（2）腦圖譜是理解大腦、剖析大腦和全面認知大腦的基石，是衡量不同個體差異化的方法，越是精細化的圖譜可以幫助醫(yī)生及早地診斷疾病。腦圖譜是劃分大腦的重要因素，起著決定性的作用，一個合適的腦圖譜將有利于大腦疾病的診斷。針對于不同腦圖譜的構(gòu)建方法，如何充分利用腦圖譜之間的互補信息，提高智能診斷的效率和精確度是一個重要的挑戰(zhàn)[26]。

（3）在基于fMRI 數(shù)據(jù)的ASD 預測研究中，大多數(shù)方法提取到的特征維數(shù)較高[27]。合理的特征選擇方法可以降低樣本的特征維數(shù)，避免過擬合的問題。由于有較多的特征點，如何選擇重要的特征是一個亟需解決的重點問題。

3 基于fMRI數(shù)據(jù)的自閉癥智能診斷方法

3.1 基于傳統(tǒng)機器學習的自閉癥檢測

機器學習是一種數(shù)據(jù)驅(qū)動的方法，通過提取數(shù)據(jù)的特征，構(gòu)建相關(guān)的模型來預測或分類未知的數(shù)據(jù)。在基于fMRI數(shù)據(jù)的自閉癥智能診斷中，機器學習從fMRI原始數(shù)據(jù)中提取功能連接特征并建立區(qū)分正常人和患者的模型，主要包括數(shù)據(jù)預處理、特征提取、模型的選擇和訓練、模型的評估等內(nèi)容。本節(jié)主要從數(shù)據(jù)預處理及特征提取、不同算法的角度進行詳細概述。

3.1.1 數(shù)據(jù)預處理及特征提取

當前，基于fMRI 數(shù)據(jù)的自閉癥智能診斷研究中數(shù)據(jù)的來源通常是網(wǎng)絡(luò)已公開的數(shù)據(jù)庫，主要包括ABIDE-I、ABIDE-Ⅱ等相關(guān)數(shù)據(jù)。本文主要從ABIDE-I數(shù)據(jù)集方面探討當前自閉癥智能輔助診斷任務(wù)的進展。該數(shù)據(jù)集包含17個不同站點的數(shù)據(jù)，共有1 112名受試者的數(shù)據(jù)（539 名患者和573 名健康人），包括豐富的臨床信息，例如年齡、性別、智力水平、慣用手等其他相關(guān)信息。該數(shù)據(jù)集為自閉癥的研究提供一個重要的數(shù)據(jù)來源和研究對象，為未來自閉癥的研究做出更深層次的貢獻。

基于fMRI 數(shù)據(jù)的自閉癥研究中，其腦影像數(shù)據(jù)的預處理過程主要包括切片計時校準、頭部運動校正、數(shù)據(jù)標準化、空間平滑等操作，通過以上步驟得到不同腦區(qū)的時間序列[28]。對該數(shù)據(jù)利用皮爾遜相關(guān)系數(shù)計算相關(guān)腦區(qū)之間的強度，即功能連接，用來作為輸入模型的特征。以HO 腦圖譜的預處理為例，首先將HO 腦圖譜大腦劃分為111 個腦區(qū)，即定義為111 個大腦感興趣區(qū)域（region of interest，ROI），求取ROI 中所有體素的平均值，從而獲得平均時間序列，利用皮爾遜相關(guān)系數(shù)計算該腦圖譜的ROI之間的功能連接，得到功能連接矩陣，將其作為預測模型的輸入實現(xiàn)分類預測，整體流程如圖2所示。

圖2 數(shù)據(jù)預處理框架圖Fig.2 Data preprocessing frame diagram

3.1.2 基于不同算法的自閉癥檢測

經(jīng)文獻調(diào)查研究，常用于該領(lǐng)域的方法主要包括支持向量機、隨機森林等主流方法。表1總結(jié)了諸多機器學習方法對ASD分類的相關(guān)工作，著重介紹了研究人員提出的方法，并分析其特點和局限性。Parikh等人[37]、Plitt等人[38]通過各類機器學習實現(xiàn)特征工程與疾病預測，通過多項對比實驗驗證機器學習模型在該領(lǐng)域中的適用性。

表1 機器學習方法Table 1 Machine learning methods

在機器學習中，特征的構(gòu)建和選擇至關(guān)重要，算法的選擇和改進同樣非常重要，二者缺一不可。在基于fMRI 數(shù)據(jù)的自閉癥檢測中，研究者們對于算法的研究旨在利用特征以提高檢測的性能，解決數(shù)據(jù)量少、數(shù)據(jù)不平衡等現(xiàn)實問題。經(jīng)典的檢測手段時效性較差，原因在于需要進行多次測量而不斷評估才能下最終結(jié)論，這一過程往往需要耗費較長時間。考慮到這一問題，許多學者對自閉癥早期檢測進行研究。Emerson等人[39]依據(jù)遺傳學因素，對59名具有自閉癥家族風險的6個月大嬰兒進行前瞻性預測，預測其成長過程中是否會患有自閉癥。Spera 等人[40]針對6～13 歲男童分析發(fā)病機制，計算時間序列對之間的相關(guān)性進行判別，實現(xiàn)診斷任務(wù)。多項研究表明對早期風險評估以及開發(fā)針對自閉癥的早期預防干預措施具有重要臨床意義，也是該疾病探索最根源的需求。

支持向量機（support vector machine，SVM）是一類按照監(jiān)督學習的方式對數(shù)據(jù)進行二元分類的廣義線性分類器。SVM可以解決小樣本情況下的機器學習分類和回歸問題，已廣泛應用于醫(yī)療輔助診斷領(lǐng)域中[41]。例如：Chen等人[42]對126個ASD患者和126個正常人的小樣本數(shù)據(jù)上進行研究，通過提取不同頻段的數(shù)據(jù)特征，將其輸入到預測模型SVM中。實驗表明自閉癥發(fā)病機制與大腦默認網(wǎng)絡(luò)、視覺和皮層下的有關(guān)區(qū)域特征最為顯著，發(fā)現(xiàn)大多數(shù)分類權(quán)重集中在Slow-4頻段，表明自閉癥的生物標志物的分布區(qū)域是極為復雜的，并且和全局大腦有關(guān)。

隨機森林（random forest，RF）是利用多棵樹對樣本進行訓練的一種分類器，該算法隨機選擇特征數(shù)目及訓練數(shù)據(jù)，對同一個數(shù)據(jù)出現(xiàn)最多的標簽為最終預測結(jié)果。由于fMRI數(shù)據(jù)維度較高，Katuwal等人[43]構(gòu)建隨機森林樹，對fMRI 數(shù)據(jù)降維提取特征，發(fā)現(xiàn)依靠性別、癥狀嚴重程度、年齡、認知能力和其他變異因素進行分類。該方法對查明ASD的非典型腦特征至關(guān)重要。由于RF方法過擬合現(xiàn)象較為嚴重，功能隨機森林在構(gòu)建決策樹時，每個節(jié)點選擇一個特征集合進行劃分，而不是選擇所有的特征進行劃分，F(xiàn)eczko 等人[44]提出改進的RF 分類模型識別自閉癥患者中的認知亞型，通過評估特征的重要性潛在地解析受自閉癥影響的大腦機制的變化。

總體來看，在利用傳統(tǒng)機器學習進行自閉癥檢測上，特征的構(gòu)建和選擇已經(jīng)較為成熟。Thabtah[45]的研究中強調(diào)傳統(tǒng)方法的局限性，并提出需要解決的基本問題，包括數(shù)據(jù)異質(zhì)性、診斷效率、特征選擇方法等。由于當前的研究對于標記數(shù)據(jù)量較少、模型可解釋性不足等現(xiàn)實問題探索較少，在未來的研究中應著重加強。

3.2 基于深度學習的自閉癥檢測

傳統(tǒng)的機器學習方法需要人工構(gòu)建大量特征，但是構(gòu)建有效的特征需要耗費研究者的大量時間和精力。深度學習的起源可以追溯到1940 年[46]，2006 年Hinton等人[47]提出深度學習的概念。在諸多研究中，尤其是擁有大量數(shù)據(jù)的情況下，深度學習往往能夠表現(xiàn)出較好的性能。與傳統(tǒng)機器學習方法相比，深度學習增強學習能力，更有效地利用數(shù)據(jù)進行特征提取。在深度學習領(lǐng)域中，自閉癥診斷的特征提取、分類模型應用廣泛。本文將從經(jīng)典的深度學習方法、基于Transformer的方法、圖神經(jīng)網(wǎng)絡(luò)三方面進行詳細概述。

3.2.1 經(jīng)典深度學習的自閉癥檢測

深度學習應用在自閉癥診斷中較多，近年來非常流行。本文主要介紹較為經(jīng)典的深度學習方法，其中主要包括自編碼器、卷積神經(jīng)網(wǎng)絡(luò)以及其他深度學習模型，如表2所示。

自編碼器（auto-encoder，AE）是人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的一種形式，是一種無監(jiān)督神經(jīng)網(wǎng)絡(luò)，由編碼器和解碼器兩部分構(gòu)成[62]。由于AE 強大的數(shù)據(jù)降維和特征提取的能力，2018年Heinsfeld等人[63]使用兩個堆疊自編碼器（stacked auto-encoder，SAE）模塊訓練預測模型，使用多層感知機（multi-layer perceptron，MLP）進行微調(diào)輸出分類結(jié)果。研究表明，深度學習可以更可靠地對大型多站點數(shù)據(jù)集進行分類。考慮到數(shù)據(jù)不平衡的問題，Eslami 等人[64]在AE 的基礎(chǔ)上加入SMOTE（synthetic minority oversampling technique），從而克服數(shù)據(jù)類別帶來的性能損失。為充分研究腦部疾病的空間分布和細微的神經(jīng)解剖學變化，Pinaya 等人[65]構(gòu)建深度自編碼器在重建誤差的基礎(chǔ)上診斷自閉癥患者和正常人腦區(qū)的差異。結(jié)果表明，深度自編碼器對于評估神經(jīng)疾病患者大腦的區(qū)域神經(jīng)解剖學提供了一個具有發(fā)展前途的深度學習框架。由于單腦圖譜信息單一，不同的圖譜之間會存在相互補充信息，Wang等人[66]提出一種基于多腦圖譜和去噪自編碼器的自閉癥分類方法，以三種腦圖譜提取的功能連接作為特征，使用去噪自編碼器進行權(quán)重預訓練，利用圖譜概率加權(quán)的方式整合分類結(jié)果。結(jié)果表明，使用多圖譜進行自閉癥分類任務(wù)是可行的。

卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）[67]是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，它在特征提取和建模上都有著相較于淺層模型的優(yōu)勢，從原始數(shù)據(jù)中挖掘出來具有代表性的深層特征，是深度學習的代表算法之一。為充分提取fMRI數(shù)據(jù)的三維空間特征和一維時間特征，Thomas等人[68]采用3D-CNN模型和集成學習的策略，利用fMRI 數(shù)據(jù)的全分辨率三維空間結(jié)構(gòu)，構(gòu)建適合非線性預測的模型，克服傳統(tǒng)機器學習方法特征提取的局限性。最佳的特征子集是研究自閉癥發(fā)病機制的關(guān)鍵因素，Ronicko 等人[69]采用偏相關(guān)和完全相關(guān)方法分析fMRI 數(shù)據(jù)中的功能連接，使用條件隨機森林的條件排列方案計算變量重要性度量并揭示每個特征的實際影響，在深層構(gòu)建特征后輸入CNN 建立分類器模型，實驗表明CNN 可以提高異構(gòu)數(shù)據(jù)的診斷結(jié)果。

3.2.2 基于Transformer的自閉癥檢測

隨著深度學習的縱深發(fā)展，2017 年由Google 團隊提出強大的Transformer[70]方法。Transformer 核心的思想在于多頭注意力機制，對應于輸入序列的不同位置以計算該序列的表示能力。fMRI數(shù)據(jù)自身包含空間和時間兩類信息，Deng 等人[71]提出時空Transformer 架構(gòu)分層提取空間信息和時間序列信息。由于Transformer無法解決數(shù)據(jù)不平衡問題，在該模型中引入基于高斯GAN的數(shù)據(jù)平衡方法。實驗表明以時間和空間兩種方式進行多層次特征提取能夠更加有效地識別自閉癥。

由于fMRI數(shù)據(jù)包含較強的時間序列信息可以識別大腦活動異常的區(qū)域，其位置信息的表示能力非常重要，Jha 等人[72]利用Transformer 強大的建模能力和對序列數(shù)據(jù)的處理能力，對fMRI 數(shù)據(jù)進行編碼和處理。該方法由多頭注意力和時間整合模塊組成，實現(xiàn)更為準確的自閉癥診斷，實驗表明該方法具有較高的效率和魯棒性。為了解決fMRI 數(shù)據(jù)空間特征提取不足的問題，Yang 等人[73]提出Transformer 和3D-CNN 的深層特征提取特征方法。該方法不僅能夠分析大腦功能網(wǎng)絡(luò)間和功能網(wǎng)絡(luò)內(nèi)之間的關(guān)系，還利用通道注意力機制校準卷積層提取空間特征，從而實現(xiàn)自閉癥的智能診斷。實驗表明帶有注意力機制的模型能夠充分學習到fMRI數(shù)據(jù)所包含的空間特征，并且證實了注意力機制的有效性。

由于解決單一腦圖譜診斷的局限性，Niu 等人[74]結(jié)合多腦圖譜特征提取和受試者的五類表型信息，構(gòu)建多通道深度注意力神經(jīng)網(wǎng)絡(luò)提取特征并實現(xiàn)預測任務(wù)。實驗表明通道多通道注意力機制可以學習多個圖譜的重要信息，并根據(jù)不同的數(shù)據(jù)自適應地調(diào)整每個通道的權(quán)重，這使得網(wǎng)絡(luò)能夠更好地處理不同圖譜數(shù)據(jù)，具有很好的魯棒性和泛化性。

注意力機制在自閉癥的診斷中主要是利用強大的序列建模能力和對時間序列數(shù)據(jù)處理的能力，對fMRI數(shù)據(jù)進行編碼和處理，以此來提高自閉癥預測的準確率。由于現(xiàn)有文章較少，需要更多的實驗驗證其在自閉癥診斷中的性能和泛化能力。

3.2.3 基于圖神經(jīng)網(wǎng)絡(luò)的自閉癥檢測

傳統(tǒng)的機器學習和深度學習方法更多地應用在處理歐式數(shù)據(jù)，圖結(jié)構(gòu)是機器學習領(lǐng)域中一種獨特的非歐幾里德數(shù)據(jù)，具有強大的表示能力[75]；此外，圖數(shù)據(jù)的結(jié)構(gòu)與腦網(wǎng)絡(luò)的拓撲結(jié)構(gòu)相似，因此將圖神經(jīng)網(wǎng)絡(luò)應用在腦疾病的診斷中是極為必要的。相關(guān)方法如表3所示。圖卷積神經(jīng)網(wǎng)絡(luò)（graph convolution neural network，GCN）將卷積運算推廣到圖數(shù)據(jù)中[76]，根據(jù)更新方式的不同分為基于譜域和空間域兩種方法。2017年，Parisot等人[77]首次將基于譜域的GCN方法應用在自閉癥的分類任務(wù)中，將種群表示為稀疏圖，以節(jié)點表示受試者，邊權(quán)重表示各節(jié)點之間的關(guān)系。該方法充分使用受試者fMRI數(shù)據(jù)和表型數(shù)據(jù)，為相關(guān)研究者奠定良好基礎(chǔ)。

表3 基于GNN的自閉癥檢測方法Table 3 Autism detection methods based on GNN

Parisot提出的方法具有開創(chuàng)性的作用，但其實驗未充分考慮不同站點之間的數(shù)據(jù)異質(zhì)性、受試者之間類別數(shù)量不平衡的問題。Kazi 等人[78]通過設(shè)計具有不同內(nèi)核大小的過濾器來構(gòu)建模型架構(gòu)，能夠在卷積過程中捕獲圖內(nèi)和圖間的結(jié)構(gòu)一致性，降低數(shù)據(jù)之間的異質(zhì)性，進一步提高圖在腦網(wǎng)絡(luò)結(jié)構(gòu)中的應用。Felouat 等人[79]使用基于圖論的復雜網(wǎng)絡(luò)分析來表示大腦連接網(wǎng)絡(luò)的全局和區(qū)域拓撲結(jié)構(gòu)，使用拓撲結(jié)構(gòu)和GCN 來創(chuàng)建有助于分類任務(wù)的圖相關(guān)特征。

由于缺乏功能腦網(wǎng)絡(luò)對于GCN 的影響，模型缺少可解釋性，不能通過模型揭示發(fā)病機制的生物標志物。Wen等人[80]提出的多視圖圖卷積網(wǎng)絡(luò)，以端到端的方式學習大腦網(wǎng)絡(luò)的有效表示，將圖結(jié)構(gòu)學習和圖嵌入學習相結(jié)合，以提高分類性能。通過該方法研究得出的功能子網(wǎng)絡(luò)與其他神經(jīng)影像學得出的生物標志物高度一致，證明通過圖結(jié)構(gòu)的學習是具有可解釋性的。由于GCN的過平滑問題，大多數(shù)基于GCN 的研究處于淺層網(wǎng)絡(luò)中。為解決圖神經(jīng)網(wǎng)絡(luò)過深導致的過擬合和過平滑的問題，Cao 等人[81]通過使用深度GCN 模型改進分類器，在模型訓練時隨機刪掉原始圖中的邊，從而避免梯度消失、過擬合和過度平滑的問題，但是該模型時間復雜度較高，不符合臨床應用的高效性，需要進一步優(yōu)化該方法。

注意力機制已經(jīng)被廣泛地應用到基于序列的任務(wù)中，優(yōu)點是能夠放大數(shù)據(jù)中最重要部分的影響。現(xiàn)有的GCN 方法未達到高度的融合，只是簡單地結(jié)合成像和非成像數(shù)據(jù)，并且多數(shù)GCN使用淺層結(jié)構(gòu)，使得學習潛在的特征具有挑戰(zhàn)性。基于此，Pan等人[82]提出MAMF-GCN方法，利用多通道的相關(guān)性融合多模態(tài)下不同圖譜的特征，應用深度GCN 從更豐富的隱藏層中提取信息。該研究結(jié)果表明在現(xiàn)有的節(jié)點分類的性能上優(yōu)于許多現(xiàn)有方法。

不同的腦圖譜構(gòu)建對大腦區(qū)域劃分不同，樣本與樣本之間存在緊密聯(lián)系，不同樣本之間的影響需要被充分考慮。Yao等人[83]提出一種用于腦功能連接網(wǎng)絡(luò)分析的多尺度三元組GCN，利用多腦圖譜提取到受試者的多尺度信息，提高分類的準確率。Wang 等人[84]提出基于多圖譜GCN的方法，利用6種腦圖譜互補信息以及站點和性別信息構(gòu)建圖結(jié)構(gòu)，利用GCN 可以提取樣本間關(guān)聯(lián)性的優(yōu)勢進行自閉癥分類任務(wù)，進一步提高ASD 診斷的精度，在該研究中同時推測出4個生物標志物可能是自閉癥發(fā)病的因素。在大多數(shù)多圖譜的研究中，多圖譜之間可以互相補充信息，但是數(shù)據(jù)預處理較為復雜，易受到數(shù)據(jù)集的干擾。

3.3 小結(jié)

目前，人工智能在自閉癥的智能輔助診斷中，主要包括機器學習和深度學習兩種方法。在智能診斷中，大腦功能異常檢測技術(shù)在當前醫(yī)學臨床應用中仍處于初級階段，通過機器學習、深度學習的方法進行人工智能輔助診斷已經(jīng)取得不錯的成果。一般情況下，首先進行數(shù)據(jù)處理，然后進行特征提取和選擇，根據(jù)不同的方法提取特征，在下一階段，使用多個分類器對提取的特征進行分類識別。

相比于傳統(tǒng)量表、行為觀察識別方法，機器學習可以自動檢測數(shù)據(jù)中存在的模式，處理復雜的非線性數(shù)據(jù)。針對于機器學習應用在自閉癥智能診斷任務(wù)的主要優(yōu)點有：（1）處理小樣本數(shù)據(jù)時，可以快速分析數(shù)據(jù)，提高工作效率，具有較好的性能。（2）可以根據(jù)腦區(qū)之間的異常判斷發(fā)病機制。但是使用機器學習方法進行的研究也暴露出其缺點：（1）當樣本量較大時，來自不同受試者的fMRI 數(shù)據(jù)進行輔助診斷任務(wù)時，效果會顯著下降。（2）機器學習不同算法的模型泛化性能較差，不能充分應用在其他研究對象中。

與傳統(tǒng)的機器學習方法相比較，深度學習方法應用一系列復雜的算法，可以利用不同復雜度的層次結(jié)構(gòu)直接從原始數(shù)據(jù)中學習到最優(yōu)策略，具有更強的學習和分析能力[92]。針對于深度學習應用在自閉癥智能診斷任務(wù)的主要優(yōu)點有：（1）處理大型多站點數(shù)據(jù)和不同腦圖譜之間的數(shù)據(jù)時，可提取深層次重要特征，提高診斷性能。（2）針對數(shù)據(jù)異質(zhì)性較高的情況，可適應不同的數(shù)據(jù)分布和噪聲的干擾，提高診斷的魯棒性。（3）結(jié)合fMRI數(shù)據(jù)和表型信息，進一步使用可解釋性的智能學習方式探尋自閉癥發(fā)病機制。（4）可以對不同模態(tài)的數(shù)據(jù)進行融合，構(gòu)建分類更加準確的模型。深度學習應用自閉癥診斷中，仍有一些局限性不可被忽略：（1）對于單站點較少的數(shù)據(jù)量，導致模型欠擬合，難以得到較好的評估指標。（2）自閉癥是一種高度異質(zhì)性的神經(jīng)發(fā)育性障礙疾病，因此對于自閉癥的診斷和治療需要綜合考慮多種因素。深度學習模型往往只能從特定的數(shù)據(jù)中學習特征，無法涵蓋更多可能的因素。（3）深度學習模型的可解釋性是一個重點和難點的問題，難以解釋模型的決策過程，給在臨床應用中的診斷和治療帶來的困難。

綜上所述，機器學習和深度學習方法在自閉癥智能診斷中具有一定的優(yōu)點和局限性，需要在實際應用中充分考慮其優(yōu)缺點并進行合理的選擇和使用。

4 挑戰(zhàn)與展望

本文首先介紹基于fMRI數(shù)據(jù)自閉癥智能診斷的背景意義、智能診斷的一般過程及相關(guān)研究成果，并對相應的機器學習、深度學習方法進行全面的概述。計算機技術(shù)的革新給醫(yī)學影像智能診斷的發(fā)展帶來了極大的便利，大多數(shù)智能診斷方法都取得了較好的效果，并且成功探索自閉癥發(fā)病相關(guān)的腦區(qū)，為尋找病因打下了良好的基礎(chǔ)。

本文主要總結(jié)近5年來基于fMRI數(shù)據(jù)自閉癥智能診斷的相關(guān)方法，分別討論機器學習方法和深度學習方法在該領(lǐng)域中的應用及其不同模型的優(yōu)劣勢。這項工作有利于以后腦影像學智能診斷的研究，更加便捷地探索大腦疾病的發(fā)病機制，為神經(jīng)疾病智能診斷的進一步發(fā)展提供參考。在對文獻的總結(jié)、分析中，進一步分析ASD智能輔助診斷存在的問題，主要包括：ASD數(shù)據(jù)集中包含的數(shù)據(jù)量較小、研究模態(tài)較為單一、未充分考慮ASD相關(guān)亞型、模型的可解釋性不足、模型效率較低等。人工智能技術(shù)的快速發(fā)展，使得基于fMRI 數(shù)據(jù)的自閉癥分類性能取得進一步突破。隨著相關(guān)硬件、軟件技術(shù)壁壘的突破，有望在未來中實現(xiàn)ASD的智能診斷，下面將從各方面詳細說明研究趨勢，如圖3所示。

圖3 研究趨勢思維導圖Fig.3 Research trending mind map

（1）擴充ASD數(shù)據(jù)集樣本量

海量的數(shù)據(jù)是訓練深度學習模型的基礎(chǔ)，基于fMRI數(shù)據(jù)的自閉癥智能診斷的研究中，部分人員仍采用ABIDE-I數(shù)據(jù)集。該數(shù)據(jù)集的體量在深度學習中屬于較小的一類，并且數(shù)據(jù)較為不平衡。雖然現(xiàn)有研究方法通過數(shù)據(jù)增強、數(shù)據(jù)生成、分層交叉驗證等相關(guān)手段解決該問題，但是也導致分析效率降低。因此，在下一步的研究中應將目光定位在如何構(gòu)建大型數(shù)據(jù)集上，供更多的科研人員使用，進一步提高診斷效率和精度。

（2）基于多模態(tài)數(shù)據(jù)的研究

fMRI 數(shù)據(jù)和性別、年齡等表型數(shù)據(jù)是診斷神經(jīng)疾病的重要因素，針對不同模態(tài)數(shù)據(jù)的特征融合研究可以顯著降低自閉癥的異質(zhì)性[93-94]。因此在未來的研究中可以考慮加入sMRI、擴散MRI、基因、彌散張量成像等其他模態(tài)數(shù)據(jù)，利用注意力機制等方法提取重要特征來實現(xiàn)不同模態(tài)間的特征融合，構(gòu)建最具鑒別性的特征集，實現(xiàn)更加精確的分類模型，準確識別潛在的生物標志物。

（3）基于多標簽的自閉癥診斷研究

目前，自閉癥智能診斷研究內(nèi)容主要是二分類問題，即是否患病。根據(jù)個體具體癥狀不同，自閉癥其他亞型主要包括雷特綜合癥、非典型自閉癥、阿斯伯格綜合癥等相關(guān)類型[95-96]。由于部分癥狀和特征可能會出現(xiàn)在不同的亞型中，導致亞型之間存在一定的重疊。因此，在未來的研究中，可以將幾個亞型組合在一起研究，探索它們之間的共同點和不同點，不僅可以加深對ASD的神經(jīng)生物學發(fā)病機制的理解，還可以促進個性化治療的發(fā)展。

（4）人工智能相關(guān)方法研究

神經(jīng)疾病智能診斷的主要任務(wù)是提高醫(yī)生的診斷效率和找到關(guān)鍵的發(fā)病機制[97]，從而提供更好的治療方案和預后判斷。然而，深度學習模型很難同時實現(xiàn)高精度和可解釋性[98-99]，這也是當前研究的瓶頸之一。目前，僅有少數(shù)機器學習和深度學習方法可用于揭示潛在的生物標志物。在未來研究中，可以結(jié)合不同的數(shù)據(jù)類型、相關(guān)知識和新的算法，探索合適的、具有可解釋性的模型，以更好地將機器學習、深度學習等方法應用在神經(jīng)疾病的智能診斷中。

隨著大模型時代的來臨，在自然語言處理、圖像識別等方向構(gòu)建的模型都趨向于大體量、大算力。在自閉癥智能診斷中由于特征復雜，分類模型難以解釋，需要通過模型輕量化來減少模型的計算量，從而提高診斷效率。

綜上所述，在未來的研究中主要包括創(chuàng)建大型自閉癥數(shù)據(jù)庫、多模態(tài)數(shù)據(jù)集、多標簽分類、模型輕量化等。人工智能在醫(yī)學領(lǐng)域的快速應用，要求健壯精準的醫(yī)療模型作為醫(yī)生臨床診斷的重要助手，協(xié)助醫(yī)生以病理的變化作為可依靠的真實數(shù)據(jù)進行診斷。通過及時分析并預測不同時刻患者的具體情況，提高診斷精度和效果。

5 結(jié)束語

近年來，研究人員在自閉癥譜系障礙診斷中做出大量貢獻，許多成熟的預測算法被提出。但當前大多數(shù)算法局限性較強，無法綜合利用各類信息更加準確、高效地預測是否患有自閉癥。自閉癥的預測分類任務(wù)將會在數(shù)據(jù)、模型、隱私保護等模式下不斷發(fā)展，為自閉癥早期干預打下堅實基礎(chǔ)。