结合光学多模态脑成像及分类算法研究自闭症大脑皮层的活动特征

Diagnosis for autism spectrum disorder (ASD) has always relied on behavioral observations. However, recent studies with brain imaging show significant alterations in brain structure and function associated with ASD, which opens new avenues for imaging-based diagnosis. Accurate diagnosis depends on accurate characterization on the alterations. On this respect, multi-contrast imaging can provide more complete and complementary information for characterizing autistic brain. Among various brain imaging modalities, optical brain imaging has good temporal and acceptable spatial resolution. It is also less sensitive to head motion and thus highly suitable for studies on children. In this project, we propose to use multimodal optical imaging, including functional near-infrared spectroscopy (NIRS) and diffuse correlation spectroscopy (DCS), to investigate the inherent patterns of brain activity associated with ASD. NIRS probes cerebral blood oxygenation, while DCS measures cerebral blood flow. These variables may provide complementary information on the cerebral hemodynamics. Our previous studies with NIRS show that in contrast to using single image variable and simple classification method, using machine-learning classification and multiple variables is able to achieve improved classification between children with ASD and normal controls. Therefore including DCS and more efficient classification algorithms, it is very possible for us to attain more accurate characterization and classification on ASD.

自闭症的诊断一直以来是基于行为层面的观察。近年来脑成像研究表明，自闭症大脑存在结构及功能的改变，这些发现为基于成像的诊断提供了新的途径。准确的诊断要基于对脑异常特征的准确描述上，多个参量的成像可以为自闭症大脑特征提供更全面的信息。在现有的无损脑功能成像中，光学脑成像具有较高的时间及可以接受的空间分辨率，测量时对头部晃动相对不敏感，适用于对儿童的研究。本项目利用多模态光学脑成像技术，即近红外光谱及漫射相关谱研究自闭症大脑皮层的活动特征。近红外光谱提供皮层的血氧代谢，而漫射相关谱测量皮层的血流。这两类参量可以提供互补的皮层血液动力学信息。我们前期基于近红外光谱的研究表明，相对单一成像参量的简单分类，基于多个特征参量并结合机器学习分类算法可以较好的区分自闭症儿童与正常儿童。因此在本研究中进一步加入漫射相关谱，并结合更为高效的分类算法，有望取得对自闭症大脑皮层活动特征的更为准确的描述和区分。

在国家自然科学基金的资助下,构建了一套用于人脑功能检测的近红外漫射相关谱系统,与实验室已有的功能近红外光谱系统一起,开展了针对自闭症儿童大脑皮层异常活动的研究。其目的在于从多个脑血液动力学参数角度揭示自闭症大脑固有的活动规律，以便更完整地描述自闭症大脑的异常活动特征，为未来基于脑成像的客观诊断提供坚实的基础。利用功能近红外光谱及漫射相关谱记录了自闭症儿童与典型发育儿童对照组双侧额下及颞叶区大约八分钟的自发活动。通过对自发波动的血液动力学信号的分析，从多个血液动力学相关参数层面揭示了自闭症皮层活动显著异于常人的规律，包括信号频谱上的差异，以样本熵、波动熵及多尺度熵表征的信号复杂度上的差异，不同窄带频段上左右半球间功能连接性上的差异，长短程连接性关系上的差异等。以这些呈现差异的参量为区分特征参量，结合机器学习算法可以在自闭症儿童与正常发育儿童两类群体之间取得较高(>90%)的分类精度。此外通过深度学习自发活动时间序列而获得的特征也可导致较高的分类准确性。这些为未来利用光学脑成像开展自闭症的筛查与诊断提供坚实的基础。