连接脑科学与技术的桥梁：人工智能如何塑造自闭症神经影像学的未来

《Diagnostics》：Bridging Brain Science and Technology: How AI Is Shaping the Future of Neuroimaging in Autism Maria-Luiza B?ean, Oana Nicu-Canareica, Cristian Constantin Volov??, Gelu-Adrian Popa, Diana Mihaela Ciuc, Viorel Jinga and Cosmin Medar

　　

背景/目的： 自闭症谱系障碍（ASD）与结构性脑部改变相关，尤其涉及白质和连通性。人工智能（AI）增强了对细微神经解剖学变化的检测。本研究旨在利用AI辅助MRI表征ASD儿童的结构异常和体积模式。方法： 这项回顾性研究纳入了90名被诊断为ASD的儿童。使用获得CE认证的AI平台mdbrain分析脑部MRI扫描。结构发现分为胼胝体异常、白质信号异常（WMSA）、脑室扩大、其他异常或无 detectable 变化。使用方差分析（ANOVA）和Kruskal-Wallis检验结合Tukey事后分析评估组间差异。应用了逻辑回归、主成分分析（PCA）和线性判别分析（LDA）。结果： 23.3%的患者检测到WMSA，其次是其他异常（27.8%）、胼胝体异常（8.9%）、脑室扩大（8.9%）和无异常（31.1%）。总白质体积在病理组中显著降低，并且是唯一独立的预测因子。PCA确定了三个主成分，反映了共享的颞顶叶协方差、半球不对称和白质相关轴。探索性LDA显示异常类别之间存在部分分离。结论： 该队列中的ASD儿童表现出异质性但部分结构化的MRI改变，涉及局灶性和全局体积变化。降低的总白质体积是结构性异常最一致的多变量关联。AI辅助形态测量分析可能支持ASD的结构表型分析。这些发现具有探索性，在考虑生物标志物应用之前，需要在更大的、前瞻性验证的队列中进行确认。

研究背景与意义

自闭症谱系障碍（ASD）是一种复杂的神经发育疾病，其特征为社会沟通缺陷及限制性重复行为。尽管行为评估是诊断的金标准，但近年研究日益支持神经解剖学生物标志物的存在，特别是涉及白质结构和半球间通路。然而，过去二十年的神经影像学研究呈现出多样化的结果，包括早期脑过度生长、皮层成熟改变、白质异常、脑脊液间隙增大及区域性体积变化，许多发现缺乏一致性且难以在不同队列中复现。具体而言，白质异常是研究最多但争议最大的领域，扩散研究显示胼胝体、放射冠等纤维束的连接性改变，但其异常方向随年龄组变化显著，表明其动态发育轨迹而非稳定的病变模式。在此背景下，人工智能（AI）辅助的分割和自动体积测量技术的进步，使得从常规临床MRI中提取可重复的定量生物标志物成为可能。本研究旨在利用AI平台mdbrain，调查ASD儿童的脑部结构改变谱，特别是胼胝体异常和白质信号异常（WMSA），并探索定量区域脑体积是否有助于细化结构表型。

关键技术方法

研究人员开展了一项回顾性研究，纳入了90名1至16岁（平均4.75岁）确诊为ASD的儿童队列，排除了已知遗传综合征或获得性脑损伤患者。所有参与者均在ScanExpert诊断成像中心接受了1.5T或3T MRI扫描，序列包括高分辨率3D T1加权MPRAGE和轴向T2 FLAIR等。图像数据使用CE认证的AI平台mdbrain v4.11.0进行后处理，该软件可自动分割皮层及皮下区域，并进行基于年龄和性别调整的规范比较。统计分析采用R语言，包括单因素方差分析（ANOVA）、Kruskal-Wallis检验、Tukey HSD事后检验、二元逻辑回归、主成分分析（PCA）及线性判别分析（LDA）以探索分类效能。

研究结果

参与者特征

研究共纳入90名患儿，其中女性28名，男性62名。患者被分为五组：无结构异常（n=28）、胼胝体异常（n=8）、脑室扩大（n=8）、WMSA（n=21）及其他结构异常（n=25）。按性别和年龄分层分析显示，结构异常的分布无显著差异，表明在本队列中，性别和年龄对影像学异常的影响不显著。

MRI采集与AI分析

利用mdbrain平台生成的容积报告和病灶报告，研究人员量化了多个脑区体积。视觉和体积评估涵盖了胼胝体、白质病灶（按部位分类）及其他异常。所有扫描均由两名神经放射学家复核以确保准确性。

数据分类与分组

在无异常组与任何结构异常组的比较中，总白质体积在异常组中显著降低（p < 0.001），这是最具统计学意义的全局差异。左海马旁回体积也显著减小，但效应量较小。ANOVA和Kruskal-Wallis检验显示七个体积测量指标在五组间均存在统计学显著差异。Tukey HSD事后检验进一步揭示了特定异常类型间的成对差异，例如WMSA组和其他异常组的总白质体积均低于无异常组。

二元逻辑回归

多变量分析表明，总白质体积是异常存在的唯一独立预测因子（OR = 0.86, p < 0.001）。这意味着总白质体积每增加1 mL，属于异常MRI组的概率降低约14%。模型拟合优度指标（AIC = 91.0, McFadden伪R2 = 0.33）显示出良好的内部拟合度。

主成分分析与线性判别分析

PCA结果显示前三个主成分解释了82.1%的总方差。PC1主要由颞叶、楔前叶和海马旁回区域的共同贡献表征；PC3则显示出与总白质体积的最强载荷。LDA作为一种探索性监督分类方法，显示LD1主要受到左右海马旁回的强烈影响，能够部分区分不同的异常类别。留一法交叉验证（LOOCV）的总体分类准确率为88.9%，其中脑室扩大组的分类准确率达到100%。

讨论与结论

研究人员在讨论中指出，本研究的主要发现有三方面：首先，结构异常在ASD儿童中普遍存在，WMSA是最常见的类别（23.3%），其次是其他结构发现（27.8%）。其次，显著的容积差异广泛存在于所有分析脑区，表明结构变异性超出了局灶性病变的范围。第三，降低的总白质体积是多变量分析中与异常MRI状态相关的唯一独立影像特征。这些发现支持了ASD与广泛但异质的神经解剖学改变相关的观点，而非单一的可复制结构特征。

关于白质异常，研究人员认为这更多反映了非典型的白质成熟和连接性改变，而非经典的脱髓鞘病理。胼胝体异常在本研究中的检出率（8.9%）低于部分形态计量学研究，这可能归因于本研究侧重于形态学明显的异常。脑室扩大和其他偶发性结构发现（如蛛网膜囊肿）虽然常见，但可能代表背景解剖变异性或与ASD生物学无直接关联。

AI辅助神经影像学的应用增加了检测敏感性，但也带来了特异性挑战。由于本研究为单中心回顾性设计，缺乏独立外部验证队列和正常对照组，因此这些多变量发现应被视为探索性的内部估计，需在更大的前瞻性数据集和纵向研究中加以证实。

结论

在该儿科ASD队列中，AI辅助脑部MRI分析识别出异质性的结构改变谱，其中白质信号异常最为常见。总白质体积减少是与异常MRI表现相关的最一致影像学特征。这些结果表明，AI辅助MRI工作流程可以定量表征ASD儿童的结构性脑改变，尽管尚不足以用于独立诊断，但支持自动形态测量分析作为结构表型分析和未来多模态分层研究的辅助工具。该论文发表于《Diagnostics》。