研究计划书

研究背景 §

孤独症谱系障碍（Autism Spectrum Disorder，ASD）是一种在儿童早期出现的终生神经发育障碍，影响个体的行为模式、社交互动、沟通和学习能力。ASD 患者的大脑呈现出非典型的发育模式。具体表现为在成长早期可能经历异常快速的脑体积增长，随后增长速率回归至正常水平，而在老年期则有可能出现脑容量的减少。根据世界卫生组织的统计，全球每 160 名儿童中就有约 1 名患有 ASD，且男孩的发病率是女孩的 4 至 5 倍。ASD 目前尚无明确病因。研究表明，遗产和环境因素复杂相互作用是导致 ASD 的主要原因。ASD 的神经病理学基础可能涉及脑区神经元迁移障碍、兴奋性/抑制性失衡以及突触功能的调节异常，从而导致 ASD 患者的大脑解剖结构、功能和连接性出现发育异常。神经影像学在研究活体大脑病理方面拥有显著的优势，它以非侵入的方法，能够提供关于大脑的结构和功能的重要信息。利用该项技术，研究人员能够深入探究 ASD 患者大脑解剖结构、功能活动、代谢以及连接网络等特征，这些发现不仅为 ASD 的临床诊断提供了新的视角，而且有助于开发和优化针对 ASD 的治疗策略。 计算机辅助诊断（Computer-Aided Diagnosis，CAD）融合了神经影像学、医学影像处理，数学等多学科手段，通过计算机算法对影像进行分析，从而研究人员识别病变区域，提升诊断的精确性。深度学习技术在计算机辅助诊断领域的应用，已经成为神经影像分析的一个前沿和强大的研究动向。这种技术利用多层神经网络来识别和解析数据中的复杂结构和模式。在大量样本训练的基础上，深度学习模型能够自主地识别关键特征并执行诊断任务。在处理医学影像数据任务上，展现出了其卓越的性能和效率。

国内外研究现状 §

人的大脑发育是一个涉及多个方面和阶段的高度复杂变化的过程，这一过程始于胎儿期，并延续至老年期。在临床实践中，利用非侵入的 MRI 和 PET 等成像技术，可以无创的评估大脑的动态变化过程。Hazlett 等人利用结构磁共振成像技术和形态学分析方法，对处于 ASD 高风险的婴儿进行了研究。研究发现，6 到 12 个月大的婴儿大脑皮层表面积过度扩张，12 到 24 个月大的婴儿脑容量随之增加。这种脑容量的增长可能与自闭症患者在社交能力方面的障碍及其严重程度存在一定的关联¹。多项研究表明，ASD 患者在婴儿期到 3 岁阶段，脑轴外脊髓液的体积增大，并可以作为一个早期指标，用来区分 ASD 中基于生物学差异的特定亚型²³。研究人员还发现 ASD 患者脑中非典型的皮质脑回化（Cortical Gyrification），即与健康对照组相比，ASD 患者中表现出更高的皮质畸形率⁴。在功能连接性方面，ASD 个体的长距离网络连接性普遍较弱，而局部连接性则相对较强⁵。研究指出，ASD 个体后扣带回皮层和腹内侧前额叶皮层的功能连接性（FC）有所增强⁶。此外，内侧颞叶与前外侧颞叶之间的连接性呈现出过度连接的特征⁷。对于结构连接性方面，与典型发育相比，ASD 的胼胝体、后扣带回皮层和边缘叶显示更高的 FA 值。Ecker 等人使用支持向量机（SVM）机器学习方法，通过测量全脑 sMRI 中的区域灰质和白质体积来评估 ASD 的患病可能性⁸。Zhao 等人设计一个深度卷积神经网络框架，用于自动、有效和准确地分类和识别由整个大脑 fMRI 的稀疏表示重建的大量功能性脑网络。通过在人类连接组数据集上的验证，所提出的深度 CNN 能够有效且稳健地执行功能网络的分类和识别任务⁹。

研究目标 §

1. 利用多模态神经影像学数据，设计具体交叉注意力机制的 Transformer，通过融合多模态信息，得到更优秀的 ASD 分类识别结果。
2. 利用解释性人工智能（XAI）方法，解释用于 ASD 分类的 Transformer
3. 对多模态神经影像学数据进行形态学、功能和结构连接性分析验证解释性结果

研究内容 §

1. 收集多模态数据
2. 预处理影像数据
3. 构建用于 ASD 分类识别的 Transformer
4. 对 Transformer 模型进行注意力可视化，通过可视化注意力权重，可以了解模型在不同输入位置上的关注程度，从而解释模型的决策依据
5. 利用 FSL、Freesurfer 等工具，进行神经影像分析
6. 验证神经影像分析结果以及可解释性分析结果

拟解决的问题 §

尝试解决了

1. ASD 分类识别研究中多模态数据使用不足，以及融合效果不好
2. 尝试解决深度学习模型解释性低，黑匣效应严重

拟采取的技术路线 §

Footnotes §

1. Carper, R. A. & Courchesne, E. Localized enlargement of the frontal cortex in early autism. Biol. Psychiatry 57, 126–133 (2005). ↩

2. Messinger, D. S. et al. Early sex differences are not autism-specific: a Baby Siblings Research Consortium (BSRC) study. Mol. Autism 6, 32 (2015). ↩

3. Hazlett, H. C. et al. Early brain development in infants at high risk for autism spectrum disorder. Nature 542, 348–351 (2017). ↩

4. Neuroimaging in autism spectrum disorder: brain structure and function across the lifespan ↩

5. Scott-Van Zeeland AA, Abrahams BS, Alvarez-Retuerto AI, et al. Altered functional connectivity in frontal lobe circuits is associated with variation in the autism risk gene CNTNAP 2. Sci Transl Med 2010; 2: 56 ra 80. ↩

6. https://pubmed.ncbi.nlm.nih.gov/23375976/ ↩

7. 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. Mol Psychiatry 2014; 19: 659–67. ↩

8. Ecker C, Rocha-Rego V, Johnston P, et al. Investigating the predictive value of whole-brain structural MR scans in autism: a pattern classification approach. Neuroimage 2010; 49: 44–56. ↩

9. Automatic Recognition of fMRI-Derived Functional Networks Using 3-D Convolutional Neural Networks ↩