来源：期刊VIP网 时间：
作者：周源;朱元强;杜向熠;李磊磊;王晨;郑建民;
单位：空军军医大学第一附属医院放射诊断科;
摘要：目的 基于多模态机器学习与集成学习分类模型，探讨孤独症谱系障碍（autism spectrum disorders, ASD）患者静息态脑功能网络与梯度特征的分类性能。材料与方法 基于246例ASD患者与251例健康对照（healthy controls, HC）组，采用两独立样本t检验对独立成分分析、梯度分析结果进行差异分析，并基于静态功能网络连接（static functional network connectivity,sFNC）与动态功能梯度（dynamic functional gradient, dFNG）特征构建多模态机器学习分类模型。结果 （1）ASD患者的默认网络（triple network-default mode, TN-DM）和视觉颞叶（visual-occipitotemporal, VI-OT）、视觉枕叶（visual-occipital, VI-OC）网络静态连接强度显著减弱，而高级认知-额叶（higher cognition-frontal, HC-FR）与显著网络（triple network salience, TN-SA）的连接强度则显著增强（P<0.05,false discovery rate,FDR校正）；（2）动态梯度聚类分析显示，ASD患者在低维空间中长期滞留于额叶-感觉运动主导状态2(P<0.05);(3)sFNC与dFNG的多模态机器学习模型结果表明，dFNG与sFNC具有显著的协同分类贡献，显著提高了分类准确率（准确率为99.3%）。结论 ASD患者在sFNC与dFNG两个层面均存在系统性异常，基于sFNC与dFNG特征构建的多模态集成学习模型可对ASD高效分类。
关键词：孤独症;;磁共振成像;;脑功能磁共振成像;;梯度特征;;集成学习
