《Diagnostics》:Benchmarking Synolitic Graphs for Autism Classification from Multisite Resting-State fMRI
编辑推荐:
摘要翻译:
背景/目的:Synolitic Graphs(SGs,协同图)最初是为任务态fMRI开发的,其边权重编码了成对区域特征的判别能力;类似信息是否能从静息态数据中恢复尚未测试。研究人员使用多中心ABIDE-I数据集(871名受试者:403名ASD患
摘要翻译:
背景/目的:Synolitic Graphs(SGs,协同图)最初是为任务态fMRI开发的,其边权重编码了成对区域特征的判别能力;类似信息是否能从静息态数据中恢复尚未测试。研究人员使用多中心ABIDE-I数据集(871名受试者:403名ASD患者,468名典型对照;17个站点;CC200图谱)对SGs在自闭症谱系障碍(ASD)分类中的表现进行了基准测试。方法:采用10次重复的5折交叉验证,并以平衡准确率作为主要指标,将SGs与八种基线方法进行比较,包括相关矩阵、切线空间连接性、弹性网络逻辑回归、支持向量机(SVM)和XGBoost。结果:向量化相关矩阵达到了67.9%的平衡准确率(AUC = 0.743),组合模型达到68.0%(AUC = 0.744),而SGs仅为57.0%(AUC = 0.598)。SGs的表现高于随机水平(置换检验p = 0.001),但与直接逻辑回归相比无显著差异(Nadeau–Bengio校正p = 0.82)。在协变量残差化后,基于相关性的方法保持了66.9%–67.1%的平衡准确率,而SGs降至55.6%。留一站点验证中,基于相关性的模型准确率为66.0%–66.2%,SGs为55.0%,与标准交叉验证相比均下降约2个百分点。SG导出的ROI排序不稳定,且在193名ASD参与者中进行的ADOS严重程度预测效能不足,结果不具结论性。结论:在静息态ASD分类中,传统连接性表示显著优于SGs,这与先前报道的任务态fMRI优势形成对比。所有评估方法均未达到适合独立临床筛查或诊断的性能;因此,本研究应被解释为方法学基准测试,而非临床可部署工具的验证。
论文解读:
**研究背景与问题**
自闭症谱系障碍(ASD)是一种以社交沟通差异和受限、重复行为为特征的神经发育疾病。尽管数十年来影像学研究不断深入,可靠的基于大脑的ASD生物标志物仍未确立。静息态功能磁共振成像(rs-fMRI)无需任务即可捕获内在功能连接模式,已成为研究ASD相关脑差异的重要模态。ABIDE(自闭症脑影像数据交换)计划提供了大规模、公开的多中心rs-fMRI数据集,支持ASD分类的可重复研究。既往基于ABIDE的研究报告的分类准确率通常在67%至70%之间,但结果因方法、预处理和站点选择而异。ASD分类的基本挑战在于该疾病的脑差异是弥漫且微妙的,而非局灶性异常。图神经网络和图表示方法在脑连接分析中显示出潜力,但大多数方法依赖传统功能连接作为构图机制。Krivonosov等人提出的Synolitic Graphs(SGs)是一种集成图,其边权重由成对区域特征的判别能力决定,而非单纯的相关性。该方法在任务态fMRI中表现出优势,能够恢复单个区域不具信息时的区域间协同信息。然而,SGs是否适用于缺乏显式任务结构的静息态数据,此前尚未得到检验。本研究旨在解决这一问题,将SGs扩展到静息态fMRI和ABIDE数据集,并评估其相对传统连接性表示的性能、跨站点泛化能力以及ASD症状严重度预测潜力。
**研究内容与结论**
研究人员使用ABIDE-I数据集(871名受试者,403名ASD,468名典型对照,17个站点,CC200图谱),通过10次重复的5折交叉验证,以平衡准确率为主要指标,将SGs与八种基线方法(包括直接逻辑回归、相关矩阵逻辑回归、相关图逻辑回归、切线空间连接性逻辑回归、弹性网络、SVM、XGBoost和组合模型)进行比较。结果显示,向量化相关矩阵达到67.9%的平衡准确率(AUC = 0.743),组合模型达到68.0%(AUC = 0.744),而SGs仅为57.0%(AUC = 0.598)。SGs表现高于随机水平(置换检验p = 0.001),但与直接逻辑回归无显著差异(Nadeau–Bengio校正p = 0.82)。协变量残差化后,相关性方法保持66.9%–67.1%的准确率,SGs降至55.6%。留一站点验证中,相关性模型达到66.0%–66.2%,SGs为55.0%,下降幅度相似(约2个百分点)。SG导出的ROI排序稳定性极低(平均Spearman ρ = 0.003),ADOS严重程度预测在193名ASD参与者中结果不具结论性(R2 < 0)。研究结论认为,传统连接性表示在静息态ASD分类中显著优于SGs,与任务态fMRI中的优势形成对比;所有评估方法均未达到临床独立筛查或诊断的性能水平,本研究应作为方法学基准而非临床工具验证。该论文发表在《Diagnostics》期刊上。
**关键方法概述**
该研究使用ABIDE-I多中心数据集(871名受试者,17个站点,CC200图谱,C-PAC预处理:包括时间层校正、运动校正、干扰回归、带通滤波0.01–0.1 Hz、配准至MNI152空间,filt_noglobal策略)。主要技术方法包括:(1)时间序列特征提取:对每个ROI计算时间均值、时间标准差,并计算成对Pearson相关;(2)SG构建:对每对ROI的五维特征向量训练逻辑回归分类器,边权重为后验概率差,节点特征为入射边权重的均值,并使用折叠内预测防止数据泄漏;(3)八种基线方法:直接逻辑回归、相关矩阵逻辑回归、相关图逻辑回归、切线空间连接性(使用前50个CC200 ROI)、弹性网络逻辑回归、校准线性SVM、XGBoost和组合模型;(4)验证策略:10次重复5折分层交叉验证、留一站点验证(LOSO)、站点分层分组验证、置换检验(1000次)、Nadeau–Bengio校正的重复交叉验证统计检验;(5)混淆与敏感性分析:协变量(年龄、性别、平均帧位移)残差化、扫描时长分析、消融分析(特征类型、SG边权重类型、ROI数量)、嵌套ROI选择(依据内部交叉验证准确率排序ROI并分为上下半区)以及ADOS严重度预测(岭回归)。
**研究结果**
**主要分类结果:** 向量化相关矩阵和组合特征在所有方法中表现最佳(平衡准确率约68%,AUC约0.74),SGs仅达57.0%,显著低于相关性方法(p < 0.001),但与直接逻辑回归无显著差异(p = 0.82)。弹性网络在直接特征上的表现略高于SGs。
**置换检验:** 1000次置换产生的零分布均值为50.0 ± 1.8%,观测到的SG性能(57.0%)超过所有零值,校正后经验p = 0.001,表明SGs具有统计显著的微弱判别能力。
**站点感知验证:** 在留一站点验证中,相关性模型保持66.0–66.2%的绝对平衡准确率,SGs为55.0%;从标准交叉验证的下降幅度相似(约1.8–2.0个百分点),表明没有证据显示SGs具有更大的站点相关性能损失。
**消融分析:** 相关性特征单独达到67.5%,几乎解释了全部判别性能,远高于时间均值(55.3%)和时间标准差(56.4%);SG性能在约50个ROI时达到峰值(58.5%),随后随ROI数量增加而下降;正边权重SG(56.5%)和负边权重SG(55.1%)均携带信息,正边略优。
**嵌套ROI选择:** ROI排序在训练样本间几乎不稳定(平均Spearman ρ = 0.003),尽管28个ROI在超过80%的评估中出现于上半区、25个出现于下半区,但基于上半区ROI子集的SG模型(56.8%)与下半区ROI子集(57.5%)的性能差异不显著,表明较高排序的ROI无实际性能优势。
**ADOS严重度预测:** 在193名ASD参与者中,直接特征(r = ?0.073;R2 = ?2.14)和SG节点特征(r = ?0.033;R2 = ?3.79)均无法预测ADOS Gotham校准严重度评分,且明显差于训练折叠均值预测器(MAE = 1.68;R2 ≈ 0)。但由于样本量小和特征维度高,该分析效能不足,负结果应视为不具结论性而非无信号证据。
**混淆与敏感性分析:** 探索性表型模型(年龄、性别、全量表智商)在811名完整数据参与者中达到59.2%平衡准确率,但因样本不同不可直接与影像模型比较;在折叠内对年龄、性别和运动残差化后,相关矩阵模型从67.9%降至66.9%,组合模型从68.0%降至67.1%,SG从57.0%降至55.6%,表明这些协变量不能解释相关性模型的大部分判别能力。
**讨论与结论**
讨论部分指出,该研究提供了SGs在多中心ABIDE-I数据集中用于ASD分类的全面基准。主要发现包括:SGs仅高于随机水平且与直接逻辑回归无显著差异;传统连接性表示比SGs高出约11个百分点,与任务态fMRI中SGs的优势形成对比;相关性模型在站点外验证中仍显著强于SGs;表型模型结果需谨慎解释;ADOS严重度预测不具结论性。最佳性能(68.0%平衡准确率,AUC = 0.744)与既往ABIDE研究一致(Abraham等人约67%,Heinsfeld等人70%)。但该性能水平不足以用于临床筛查或诊断,最佳模型会漏掉大量ASD病例。关键见解在于SGs的边级压缩——通过局部逻辑回归将五个成对特征缩减为单个标量权重——会丢失完整相关矩阵传递给全局正则化分类器时保留的信息。若ASD相关信号主要线性存在于19,900个成对相关性中,则L2正则化逻辑回归比基于200个SG节点摘要的模型更具表达力。该结果无法先验预测,因为任务态fMRI中SG方法优于全局分类器,而本研究表明该优势不迁移至静息态。讨论还强调了统一验证、平衡准确率、站点感知验证的重要性;SG边符号不应直接解释为正/负功能连接的超/低连接性;XGBoost仅在400维直接特征上获得52.5%平衡准确率,可能因为提升树在高维弱信号下易拟合噪声分裂;ROI排序不稳定性表明不应将SG边权重归因于具体区域或网络水平。研究局限性包括:仅使用CC200图谱、仅基于ABIDE-I内部交叉验证、单一C-PAC预处理流程、SG计算成本O(N2)、ASD组临床异质性、ADOS分析使用固定岭正则化参数无调优、切线空间比较器仅使用前50个ROI、未预注册、未进行先验功效计算。未来工作建议将CC200图谱映射至Yeo七网络图谱、在ABIDE-II外部验证、探索任务自适应提示或表示学习策略。
结论部分翻译:SGs在ABIDE-I中捕获了统计显著但微弱的诊断信息(57.0%,p = 0.001)。然而,传统基于相关性的表示显著优于SGs(约68%平衡准确率),并在混淆变量残差化后仍表现出良好的跨站点泛化能力。这些结果表明,SGs的优势在具有强任务诱发时间特征的情境中可能更为明显,而静息态ASD分类更适合采用基于相关性的方法。