基于静息态功能磁共振成像的机器学习模型在自闭症谱系障碍诊断中的应用OA

目的通过整合多种静息态功能磁共振成像(rs-fMRI)生物标志物构建自闭症谱系障碍(ASD)机器学习诊断模型,以实现ASD的精准诊断。方法纳入自闭症脑成像数据交换(ABIDE)数据库中1420例5~18岁受试者的rs-fMRI数据,计算rs-fMRI的6种生物标志物,包括静息状态功能连接(FC)、低频振幅(ALFF)、分数低频振幅(fALFF)、局部一致性(ReHo)、度中心性(DC)及体素镜像同伦连接(VMHC),经单因素方差分析(P<0.05)筛选差异变量,再通过方差膨胀因子(VIF)降低多重共线性和前向特征选择确定重要特征子集后,构建逻辑回归(LR)、极限梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)、支持向量机(SVM)以及被动攻击分类器(PAC)5种机器学习模型,以ABIDEⅠ为训练集,ABIDEⅡ为外部验证集评估模型效能。绘制受试者操作特征(ROC)曲线,并通过曲线下面积(AUC)、准确度、精确度和F1分数来评估模型效能。采用鲁棒性分析评估模型稳定性。结果共筛选出185个重要特征,包括170个FC特征、6个DC特征、5个ALFF特征、3个fALFF特征、1个VMHC特征。在整合多种rsfMRI生物标志物特征的5种机器学习模型中,LR模型诊断效能最高(在训练集中的AUC为85.97%,准确度79.59%,精确度79.82%,F1分数79.52%;在外部验证集中的AUC为85.14%,准确度为77.97%,精确度为78.01%,F1分数为77.98%),且鲁棒性分析验证模型效能波动小,泛化稳定性优异。结论整合多种rs-fMRI生物标志物的机器学习模型,可作为ASD神经影像学诊断的有效工具,为ASD早期筛查提供潜在的技术支持。