确立经颅彩色多普勒超声中颞骨厚度的性别特异性截断值

《Brain Sciences》:Establishing a Sex-Specific Cut-Off for Temporal Bone Thickness in Transcranial Color-Coded Duplex Sonography Roberta Bitti, Barbara Schmid, Michael Lell, Konstantin Emil Thiel, Florian Steinmeyer, Milan Fritsche, Josefin Ammon and Panagiota Manava

【字体: 大 中 小 】 时间:2026年03月05日 来源:Brain Sciences 2.8

编辑推荐:

  背景/目的:自闭症谱系障碍(Autism Spectrum Disorder, ASD)的诊断因其异质性而具有挑战性。当前的时间序列Transformer(Time-series Transformer, TST)方法无法同时捕捉动态和全局脑连接,这限制了AS

  
背景/目的:自闭症谱系障碍(Autism Spectrum Disorder, ASD)的诊断因其异质性而具有挑战性。当前的时间序列Transformer(Time-series Transformer, TST)方法无法同时捕捉动态和全局脑连接,这限制了ASD的分类性能。方法:研究人员提出TwoTST,这是一种结合原始感兴趣区域(Region of Interest, ROI)时间序列和皮尔逊相关矩阵(Pearson correlation matrices, PCC)的双流Transformer。研究人员通过随机屏蔽ROI和PCC进行自监督学习来预训练两个TST分支,使用对比学习和微调进行特征对齐,评估了五种融合策略,并分析了微调期间的相对参数变化。结果:实验在ABIDE I数据集上使用CC200图谱进行。对比学习、预训练和双流结构分别将平均AUC(Area Under the Curve)提高了3-6%、3-7%和3-4%。注意池化(Attention Pooling)是最佳的融合策略。TST模块的相对参数变化为0.32-0.44,对比投影头的相对参数变化为0.31-1.45。结论:TwoTST有效地整合了动态和全局连接性以用于ASD识别。所提出的设计优于单流模型,并为基于神经影像的疾病分类提供了一种可靠的方法。
论文解读:双流Transformer框架用于自闭症谱系障碍的静息态fMRI分类研究
一、研究背景与问题
自闭症谱系障碍(ASD)是一种以社会交往和互动持续缺陷以及行为、兴趣或活动模式受限、重复为特征的神经发育障碍。当前诊断主要依赖行为评估,可能存在主观性和观察者偏差,因此需要客观的生物标志物进行准确、早期的诊断。静息态功能磁共振成像(rs-fMRI)已成为研究ASD脑功能和连接模式的强大无创工具。尽管基于rs-fMRI的机器学习和深度学习方法在ASD分类上取得了一定进展,但仍面临两个关键挑战:1. 模态孤立:现有研究大多采用二分法,要么关注时间动态(原始ROI时间序列),要么关注静态功能连接(PCC矩阵),鲜有研究尝试在一个统一的框架内联合建模这两种互补的模态。2. 特征错位:自监督预训练已被用于提升模型泛化能力,但少有研究设计明确地将时间和连接特征在共享表示空间中对齐的预训练目标。即便两种模态被整合,其特征嵌入往往仍保持孤立,未考虑动态神经活动与稳定功能连接之间的内在关联。为了应对这些局限性,研究人员提出了TwoTST框架。
二、研究方法概述
研究人员开展了一项旨在开发一个双流Transformer框架(TwoTST),以同时从rs-fMRI数据中捕获动态时间模式和静态功能连接,用于ASD分类的研究。该研究发表在《Brain Sciences》期刊上,其重要意义在于为ASD诊断提供了更准确、客观的神经影像学工具,并通过创新的模型架构和训练策略,为多模态神经影像分析提供了新的思路。
研究使用的主要关键技术方法包括:1. 数据来源与处理:使用自闭症脑成像数据交换(ABIDE)I数据集,这是一个包含来自17个国际成像站点1112名受试者的大规模多站点公共rs-fMRI数据存储库。数据处理采用可配置的连接组分析管道(CPAC),并使用Craddock 200(CC200)图谱将大脑划分为200个感兴趣区域(ROI)。经过质量控制,最终队列包含963名受试者(493名ASD,470名典型发育对照)。2. 双流Transformer模型架构:设计两个专门的Transformer编码器。TST1处理原始ROI时间序列以捕获时间动态,TST2处理PCC矩阵以捕获静态连接。两者均采用基于掩码重构的自监督预训练。3. 对比学习特征对齐:在自监督预训练阶段引入对比学习策略,通过最大化同一受试者两种模态特征表示在共享嵌入空间中的相似性,明确对齐两个TST编码器的特征。4. 多策略特征融合与评估:在微调阶段,研究人员系统地评估了五种Transformer级别的融合策略来整合双流信息,包括拼接(Concat)、门控(Gated)、交叉注意(Cross-Attention)、双线性(Bilinear)和注意池化(Attention Pooling)。5. 模型训练与评估:采用多阶段训练流程(预训练、对比学习、微调),通过留一站点交叉验证(LOSO)评估模型的跨站点泛化能力,并使用梯度重要性分析等方法对模型进行可解释性研究。
三、研究结果
4.3.1. 自监督预训练损失
TST1和TST2在自监督目标下均表现出稳定的收敛,表明预训练阶段成功学习到了有意义的时序表征。
4.3.2. 对比学习的冻结策略效果
量化了下游性能有多少来自更新主干编码器与更新投影头。对比四种冻结策略发现,在解冻两个编码器的同时训练投影头的策略在所有融合变体中始终获得最佳性能,表明允许时序和连接编码器适应对比目标能产生最具辨别力的联合表征。PCC编码器(TST2)对任务特定适应更为敏感。
4.3.3. 融合策略比较
在固定最佳预训练和对比学习策略后,系统比较了五种融合机制。结果显示,门控和拼接融合提供了强大的基线性能,而注意池化取得了有竞争力的性能,并因其简单性和稳定性被选为最终配置的默认融合方法。TST1和TST2在微调期间表现出相对较小的参数变化(约0.32-0.44),而投影头则表现出更大的变化(约0.31-1.45),特别是在门控和注意池化融合下,这表明了预训练的有效性。
4.3.4. 留一站点交叉验证
基于最优配置进行了跨19个独立扫描站点的留一站点交叉验证。所提出的模型在大多数异质性站点上实现了稳定可靠的分类性能,证明了其对多中心fMRI数据的强大泛化能力和实际临床价值。大多数站点达到AUC ≥ 0.70,其中UM_2站点获得最佳性能。
4.3.5. 可解释性研究
通过梯度重要性分析评估了模型的可解释性。对于连接流,计算了功能连接的重要性矩阵,发现只有相对稀疏的连接子集表现出高重要性分数。对于时间序列流,计算了每个ROI的重要性分数,分布同样高度偏斜,只有有限数量的ROI对ASD logit有显著贡献。通过可视化,这些高度加权的ROI和连接可被视为与ASD相关的关键区域和候选异常连接,能与ASD文献中的已知发现相联系。
4.3.6. 消融研究
进行了一系列消融实验以剖析对比学习、预训练和架构选择的贡献。1. 对比学习的影响:除双线性融合外,启用对比学习和投影头时,其他融合方法均实现了统计上显著的AUC提升。2. 预训练的影响:与从头开始的纯监督训练相比,自监督预训练在不同融合策略下一致地改善或保持了性能。3. 单主干与双主干对比:完整的TwoTST模型(TST1 + TST2)的AUC显著高于仅使用TST1或仅使用TST2的单主干模型,证实了联合利用两种互补时序表征比依赖单一预训练TST更有效。
四、讨论与结论
研究人员将TwoTST与多种基线方法在相同的ABIDE I(CC200)数据分割上进行了公平比较。TwoTST框架在所有基线方法上取得了实质性改进。传统机器学习方法和早期深度学习方法性能相对一般。基于图的方法通过显式建模脑网络拓扑显示出改进的性能,但通常关注静态连接矩阵,未充分利用fMRI时间序列中固有的时间信息。TwoTST的计算复杂度、训练时间和可扩展性也被讨论。尽管参数数量较多、训练时间较长,但TwoTST实现了最佳性能,并具有良好的可扩展性。
研究也存在一些局限性,如仅在ABIDE I数据集上评估、使用固定的CC200图谱、当前框架仅关注rs-fMRI数据等。未来工作应在更多数据集上验证,研究不同图谱方案的影响,并探索整合多模态信息。
结论:
本研究提出了TwoTST,一个用于基于fMRI的ASD分类的双流Transformer框架,它同时捕获了时间动态(通过TST1处理原始ROI时间序列)和全局连接模式(通过TST2处理PCC矩阵)。研究人员进行了掩码重构预训练和对比学习以对齐双分支特征。微调实验表明,在解冻两个编码器的同时使用对比投影头可获得最佳性能。在五种融合方法中,注意池化在五次随机运行中表现最佳,平均AUC为0.74 ± 0.04。留一站点交叉验证证明了其强大的跨站点泛化能力。预训练的编码器在微调中更新幅度适中(0.32-0.44),支持了预训练的有效性。基于梯度的重要性分数和连接重要性矩阵提供了可解释的ASD生物标志物。全面的消融实验验证了每个关键组件以及整个TwoTST框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号