Science子刊:在可重复性验证中发现的自闭症谱系障碍患者的功能连接改变

在自闭症谱系障碍的研究中,虽然临床研究的影响很大,但我们对自闭症的病理生理学仍旧知之甚少(ASD)。静息态功能磁共振成像(rs-fMRI)研究已经大量发现ASD患者中大脑功能活动的异常。然而,关于这些异常活动一致性以及其性质和临床的相关性仍尚未达成共识。有待于大样本和多站点数据的进一步研究。

在这里,来自瑞士罗氏研究中心的研究者通过四个大的ASD队列数据库对这一问题进行了研究。使用rs-fMRI,作者确定了与ASD相关的功能连接改变。测试了这些影像表型与临床和人口统计因素,例如年龄,性别,用药状况和临床症状严重程度之间的关系。

研究结果表明与ASD相关的功能性超连通性和低连通性的结果可以在不同站点数据中得到重复。低连通性区域主要限于感觉运动区域,而超连接主要位于前额叶和顶叶皮质。这这些异常的功能连通性受到连接异常区域内和区域外功能连接概率的一致的影响。

在相关分析分析中发现,这种可重复的病理生理表型与沟通和日常生活技能等核心ASD症状相关,并且不受年龄,性别或用药情况的影响。 

背景

自闭症谱系障碍(ASD)是一种神经发育障碍,其特点是社交互动和沟通不足,以及限制的刻板行为和感觉功能异常。自闭症的发生率约占普通儿童总数的1%,尽管其在儿童早期就发病并终生持续存在,但是,到目前为止,关于其原因和发病机理的神经生物学仍旧不明确。虽然人类在科技大发展后已经将人类寿命和生理健康提高到了一个前所未有的新阶段,但是在许多疾病尤其是神经性疾病或者退行性疾病的病理研究方面仍旧是不清不楚的阶段,假说和猜想层出不穷,但是距离验证还要走多久,仍未可知。这也是为什么研究此类疾病的文章可以层出不穷的根源性原因。在ASD研究中也是一样,尽快研究者们根据各种不同的发现,从遗传,神经病理,系统和行为水平等不同方面尝试解释ASD的病理,并且构建理论模型。但是从现在的证据看,收效甚微。作为能够探查到神经表征信息的功能磁共振技术也加入到了这类研究的队伍中,在10年前左右这种方面开始应用到ASD研究中,虽然受到可重复危机的质疑,但不可否认的是,功能磁共振技术给ASD的神经表征研究带来了大量的新的证据。

静息态功能磁共振成像(rs-fMRI)研究的主要实验方法之一是通过构建脑功能连接来实现的。rs-fMRI可以通过检测局部氧含量的变化来反映自发性的神经元活动。内在血流动力学的区域间时间同步会反应在信号测量中,可以被用来作为反应大脑不同区域进行信息交换的网络指标(虽然功能连接已经是被普遍应用的分析方法,但对于功能连接的具体构造方法以及其所反映的生理量仍旧有许多研究者存在认识模糊的问题,这里有一篇精心准备好的博文给大家阅读,了解功能连接的前世今生):

《大话脑成像》系列之十四 -- 功能连接
  虽然现有研究已有大量证据支持ASD患者存在明显的功能连通性的改变,并且这些改变被发现与正常人群中发现的自闭症特征存在相关性。但是,就目前为,这些功能连接的改变与ASD病人的神经解剖基础、网络信息流方向以及临床特征之间的关系仍旧未得到明确。其中,比较严重的问题是功能连接研究中出现的结果不一致问题。

在以往的研究中,一些报告指向低连通性表型,一些则报告了超连通性(也就是功能连接高于普通对照组),还有些研究观察到两种现象的混合。除了固有的疾病异质性外,这种矛盾还被认为是由于研究之间的年龄或方法差异或未能解释药物作用等因素导致的。还有其他研究强调了连通性中的空间可变性(这里应该指的是不同template的应用导致的网络维度的不一致性)作为ASD研究结果异质性的关键来源。这些研究的解释一个重要问题是缺乏可重复性。因此,关于ASD中功能连通性变化的性质和共识,仍然需要进一步的研究。这种不确定性限制了功能连接作为ASD诊断或治疗的生物学标记物的应用(在早期的fMRIrsfMRI研究中,由于小样本量和p hacking问题的存在,其实出现结果不一致这种问题在很多研究领域都存在,比如抑郁症研究,所以这种背景在很多研究领域都是相通的,因此,现在的静息态研究往往都要求大的样本量和严格的控制一类错误以及robust的处理过程,想学习如何更好的处理rsfMRI吗?直接点击这里,一次性解决处理忧虑):

在这里,本文旨在通过研究ASD在四个不同队列数据中,使用大样本数据来评估ASD患者的功能连接的改变,来解决这些不一致问题。更具体地说,本文作者使用了EU-AIMS LEAP(纵向欧洲自闭症项目)数据集进行分析,并利用了其他三个数据集ABIDEIABIDE IIInFoR进行验证分析。并且进一步评估了这些改变与年龄,用药状况和临床症状之间的联系(现在的rsfMRI的研究除非是一些很难获取数据的疾病,已经很难利用小样本数据发论文了,因此,有效的利用公开数据库进行进一步的研究已经成为了发高分文章的必备科目了,这里分享给大家一个整理好的脑影像公开数据库的网址,感兴趣的读者可以前去阅读,https://zhuanlan.zhihu.com/p/35652347)。 

材料和方法

研究设计

该研究的主要目的是基于rs-fMRI确定并独立重复ASDTD(典型发展人群)相比的功能连接改变。研究旨在了解这些改变的具体性质以及它们是否与方法,人口统计学或临床因素有关。最后,探讨了ASD连通性改变与观察到的核心临床症状是否有关。为了能够准确识别和重复ASD中的功能连通性变化,该研究包括四个横断面数据集,这些数据集中的具体信息在补充材料s2-s8表格中,由于表格内容过长,感兴趣的读者可在文章的补充材料中获取这些信息。(添加微信号siyingyxf18983979082获取

简单来说,EU-AIMS LEAP队列是一个大型的、特征明确的、由ASDTD患者组成的多中心队列。这个数据库中被试的招募是利用现有的当地数据库、诊所联系人、当地和国家的医疗组织进行的。TD是通过主流学校、广告传单和现有数据库招募的。InFoR是一个较小的单中心队列,具有标准化的影像学收集流程。作为唯一具有标准化影像评估和纳入/排除标准的大样本,EU-AIMS LEAP数据集被用于探索性分析,其他三个数据集被用于验证性分析。

排除标准:ASD平均智商> 70的个体包括在内,以减少与低功能ASD相关的可变性。以及统计过程中不符合数据质量要求的数据。 
统计分析

识别功能连接改变

鉴于先前关于ASD中功能连接改变的发现存在分歧,作者们采用了无偏的探索性方法,通过计算简单的连接度量DC(即degree centrality,度中心性,作者这里计算了基于体素的全脑功能连接,对每个体素计算了与其他所有体素的时间序列之间的相关系数,然后将所有相关值大于0.25的连接保留,其后统计了每个体素保留下的有效的功能连接的度值,将这个度值赋值给该体素,这样形成了每个被试的全脑DC图,这种方法相当耗费运算资源)

作者通过这样的方法避免了使用不同分区大小template带来的构造网络维度不一致的问题,通过无偏的方法对ASDTD(典型发展人群)的功能连接进行比较。在构建过程中,只有正相关被包括在内。这样做,一方面避免可能由全局信号引起的虚假负相关(在数据分析过程中,由于配准和平滑的影响,体素的时间序列信号可能受到这些全脑操作的影响从而产生anti-correlation,这就是为什么在18-19年有段时间很多人争议rsfMRI的预处理要不要做去全脑信号这一步),另一方面,负相关是不符合rsfMRI的成像原理的,其生理机制难以解释。在所有进一步的组比较和相关分析中,作者控制了被试的背景,性别,年龄和智商影响。

EU-AIMS数据集中生成的DC图输入到GLM模型中以验证两组被试的功能连接差异。作者使用了体素wise的置换检验(permutation test,置换次数1000次)进行统计,使用FWE方法控制一类错误。

所有分析控制背景,性别,年龄和智商影响。然后为ABIDE IABIDE IIInFoR数据库创建相同的GLM设计数据。基于EU-AIMS LEAP研究结果,提取了三个重复队列的加权平均DC信号(作者这里的意思是使用在EU-AIMS LEAP的探索性研究中发现的组间差异的脑图作为mask,应用在其他三个用于验证性分析的队列中,提取mask中的加权平均数,然后在各自队列内进行组间比较),使用独立样本t来比较ASD组和TD组的差异,使用cohens’d值来衡量效应量的大小。

除此以外,为了验证无假设mask下不同队列之间表现的DC的组间差异map是否相似,作者计算了四组队列组别间差异未阈值化t-maps之间的相关性,以检查在ASD中观察到的全脑DC改变模式在不同队列中是否相似。在这些分析后,为了排除头动可能带来的影响,作者计算了每个队列中每个被试的绝对头动(即所有图像相对于第一张图像或平均图像的位移情况)和逐帧头动(即后一张图像相对于前一张图像的位移情况),使用t检验比较了每个队列中的组间头动差异,并且将头动作为协变量重复了以上的分析方法。 

理解功能连接改变的实质

尽管DC提供了功能连接改变的证据,但它不能对这些变更的生理性质得出结论(例如,DC变化可能来自于底层连接的平均强度和/或方差的变化,或者来自于各个网络的内部连接向外部连接的转移,仅仅依靠这种程度的比较,我们无法了解这些差异形成的原因或者是网络受损的方向问题)

为了更好地了解观察到的功能连接性变化,首先仍旧是计算基于体素层面的所有体素两两之间的时间信号的相关性。基于这些相关性,使用如图S2所示的方法计算出以下区域内外的四种连通性指数:

i)表示所有体素的平均连通性(Fisher z变换后取均值);

ii)所有体素连接的方差变异(Fisher z变换);

iii)存在连接的体素的比例;

iv)连接性从相应区域的内部向外部的转移。如图S2,红色区域是ASD患者和TD被试功能连接存在差异的区域,其中又分为功能连接显著小于TD被试和显著大于TD被试的,对它们分开进行全脑功能连接构建后的区域内(红色区域)和区域外分析(绿色区域),可以有效的对两组被试功能连接差异的细节进行探索。

S2 ASD vs TD功能连接的进一步分析图

注释:我们来对这里的四个指标进行一下详细的描述,首先o代表mask外部(outside),w代表mask内部(within),那么三种不同的连接就不言而喻了。

首先第一个是计算功能连接均值,分别计算了mask内、mask外和mask内外连接的加权平均数。

第二个是方差计算,同样是mask内、mask外和mask内外连接的方差。

第三个是连接体素占比,阈值为0.25,计算mask内、mask外和mask内外存在连接的体素和所有体素的比值。

第四个是网络转换值计算,分别计算了网络内转换值和网络外转换值,网络内转换值用网络内连接体素占除以网络内外连接体素占比,网络外转换值用网络外连接体素占比除以网络内外连接体素占比。这个比值说明了网络内或者网络外体素连接的概率相对于网络内外体素连接概率的大小,值越大就越说明网络内或者网络外的连接更强。

 

评估皮质,皮质下和小脑的高和低连通性指数

为了能和以往基于template的研究进行比较,本文还将外部区域分为皮层,皮层下和小脑子区域进行了进一步的分析。分析只在前述分析中发现ASD患者相对TD被试存在DC显著改变的区域,排除了其他区域。作者使用了AAL模板,在前述分析mask的基础上计算了基于AAL模板的不同脑区及皮下组织和小脑不同区域相互之间的功能连接。 

了解影像学发现与临床及人口因素之间的联系     

在确定了超连通性和低连通性指数是可重复的ASD生物标志物后,接下来研究它们与临床症状的关联,如用药状况,年龄和性别。将数据集分为三个年龄段:儿童(12岁以下),青少年(1218岁)和成人(18岁以上)。     

ASD患者与相应TD之间的超连通性和连通性低指数通过计算效应量和t检验比较(控制总体年龄影响,性别,背景和智商)。根据整个数据集的结果,在这里的分析中有明确的方向性假设,因此,采用了单侧P <0.05alpha     

此外,使用ANOVA正式测试了按年龄分类的诊断相互作用(三个年龄类别),控制了性别,背景和智商。同样,为了测试性别的影响,还计算了按性别进行交互的ANOVA分析,同样是控制年龄,背景和智商。并且,还进一步评估了每个数据集中精神药物的使用是否会干扰观察到的功能连接改变。由于无法获得有关特定药物,剂量或疗程的详细药物信息,因此将分析限制在t检验中,比较精神病患者和非精神病患者之间的DC以及超连通性和低连通性指标来评估用药的可能影响。     

此外,还评估了精神病患者是否共症和伴随用药状态是否也可能导致观察到的功能连接的改变。为了测试超连接和低连接指数与临床量表之间的潜在关系,还采用了与组比较类似的探索和验证策略。由于临床量表的重叠较少,且患者数量远少于探索样本,因此InFoR未被用于这些分析。 
了解与底层结构的关系

最后,本文还评估了观察到的功能连接性改变与潜在的灰质结构变化的关系。因为群体之间的结构差异可能会造成对功能连接性的混淆影响。为了解决这个问题,使用灰质的特征变量进行了两种类型的分析。使用DC研究中发现的差异区MASK提取GMV(灰质体积),并根据年龄,性别,背景,智商和总颅内体积作者为协变量进行组间差异比较。

作者使用了两种方法,(iASDTD的组比较直接使用两样本t检验。(ii)利用和构建结构协变网络类似的方法,提取了每个被试在特定MASKGMV后,构建一个连续的基于被试的GMV变化的数据分布,计算在这个MASK内的所有体素两两之间的GMV变化的pearson相关性,在两组比较的基础上,和DC分析中发现的功能连接的差异进行比较。此外,由于先前的研究报道了ASD中白质的减少,特别是胼胝体体积的减少,因此,作者还使用Julich白质图谱,从胼胝体的全部区域和不同区域提取白质体积,重复了这两种分析。(是不是忽然觉得掌握了新的分析方法呢?其实,作者使用的这些方法并不复杂,也不是新方法,但是对于这些方法的深度掌握让作者敏锐的观察到静息态功能连接和结构协变连接之间存在的方法一致性,从而可以从“共变”的角度出发更好的探索功能连接和结构连接之间的关系)
结果

ASD患者和正常对照组被试临床和人口统计学特征对比结果

四个ASD数据集(EU-AIMS LEAPABIDE IABIDE IIInFoR)以及与之匹配的正常对照组(TD)被纳入研究(表1)。多中心EU-AIMS LEAP和单一中心InFoR数据库提供了标准的数据采集流程和临床特征量表得分数据。AIDE III是大型国际脑成像中心提供的回顾性数据的汇总数据集。数据分析了排除智商低于阈值的被试,并消除不良的图像质量数据,最后,EU-AIMS LEAPABIDE IABIDE IIInFoR数据集分别有35%,39%,33%和14%的数据量可用 (表1)。

对于所有数据集,在患有ASDTD的个体之间的平均年龄没有差异(表1)。 ABIDE II数据集被试较年轻(P <0.001),InFoR仅包括ASD成年个体。与EU-AIMS LEAP相比,在ABIDE IIIP <0.001P = 0.005)以及InFoRP = 0.042)中观察到男性的比例明显更高。所有数据集中ASD个体的平均智商高于100,但均低于数据集中的对照TD(表格1)。

1.临床和人口统计学特征。

ADI,自闭症诊断问卷; ADOS,自闭症诊断观察量表; PDD-NOS,待分类的广泛性发展障碍; RRB,限制重复行为;SRS,社会反应能力量表。


ASD患者数据中发现的DC改变的可重复性   

 研究ASDTD组的功能连接差异,首先使用EU-AIMSLEAP数据集进行了探索分析,其他三个数据集对探索性研究结果进行重复。使用DC作为研究指标。EUAIMS数据集中的组比较显示,ASD在包括双侧顶叶的两个簇(P = 0.008)和前额叶及前后扣带区域(P = 0.001)(图1A中橙色区域和表2)表现显著的功能连接的增强。在双侧初级感觉运动皮层和右颞部区域,脑岛,杏仁核和海马观察到DC的显著降低P <0.001)(图1A中蓝色区域)。

基于从DCEU-AIMS LEAP被试数据中得到的显示DC增长的MASK,提取ABIDE IABIDE IIInFoR数据集中的DC值,发现三组ASD患者在同探索组在一样的区域发现异常增加的连接结果(IP = 0.011;IIP = 0.01; InFoRP <0.001;1B上)。

相反,DC下降仅成功地在两个数据集中得到重复(ABIDE IP = 0.001 InFoRP = 0.002)中予以重复(图1B下)。作者还进一步评估了无阈值DC变化模式的空间相似性,通过基于在ASDTD比较中为每个数据集获得的全脑的无阈值化t-图,计算四个队列组间差异图的相似性(1C)。这些分析揭示了ASD所有四个数据集中表现出的与TD组的DC连接差异之间的显著相关性(所有P <0.001;图1D)。这说明,无论是在探索性分析基础上的ROI分析和全脑层面的组间差异图的voxel重叠分析都有一致的证据表明,ASD患者相对于TD(典型发展人群)在功能连接上表现的差异(无论是增高还是降低的区域)是具有跨被试异质性的一致性的,是可以得到重复的。

作者还将头动纳入这些分析中,进一步进行了分析,发现分析结构与不纳入头动协变量的分析结果一致(补充图S1)。

1. ASDTD患者之间DC不同分析比较的结果

补充图S1 纳入头动与不纳入头动的两组DC连接的比较

 

ASD患者DC的改变是由内外网络功能连接的转换驱动的

在确定ASD患者可重复的DC改变后,作者探讨了这些连接差异的性质。首先比较了在ASDTD被试中观察到的全脑体素功能连接强度值的分布,发现两组被试在体素层面的功能连接的分布相似(图2A)。

接下来计算了基于均值、方差、连接体素比率和差异区内及差异区内与差异区外连接的组间差异(图S2)。在这些分析中发现,在探索性分析中发现的DC差异区外与差异区内外的功能连接之比在两组被试中表现出最大的组间差异效应量。这种巨大的效应反映出,在ASD中,落在DC增加的mask外的体素显示出彼此间的连通性降低,而与mask内的体素彼此的连通性增加(这里的理解需要你对图s2mask外与到mask内外的功能连接转换计算公式进行有效理解,从公式可知,是用mask外功能连接概率除以mask内与mask外的功能连接概率得到的,这个值越大,就越说明mask外的体素的功能连接更强,而与mask内的功能连接更低)。从图2B中的effective size图中可以看到在DC比较中ASD>TD组时,这个功能连接网络的mask外连接与mask内外连接计算得来的转换值是TD组显著大于ASD组的(从cohens’d值就可以知道,原则上cohensd的值是正的,但考虑到作者t检验的方向性,这里使用了正负表示检验的方向性,建议你点击复制以下链接浏览:https://www.uccs.edu/lbecker/effect-size#III.%20Effect%20size%20measures%20for%20two%20dependent)。

这就说明,ASD组相比与TD组在mask外的功能连通性显著降低,而与mask内的功能连接更强。除此以外,在ASD组功能连接显著增加区域的比较中发现,mask内的功能连接均值和mask内的功能连接显著的体素占比和DC比较的结果一致,都是ASD组大于TD组,这也进一步佐证了DC比较中的发现。

对于DC降低区域mask的比较,发现均值、方差和体素占比这三个指标显示出同最初的DC发现一样相似的效果量。具体如图2B中蓝色条形图所示,ASD mask内的平均连通性降低,方差变异降低,网络内向网络外的转换值降低。

但是,和在DC升高的区域中发现的结果一致的是,mask外与mask内外的网络连通性之比是TD组显著大于ASD组的。这说明,有一致的证据支持ASD组相对于TD组的DC的升高或者降低的脑区的功能连接的变化模式是类似的,都表现出异常区域外体素之间的功能连接的降低以及与异常区域内体素连接的异常增加。

除此以外,在EU-AIMS LEAP数据集中,对ASDTD之间观察到的差异,通过选择不同的相关阈值进行DC的进一步计算发现,在r = 0.15r = 0.4时,超连通指数和低连通指数的组间差异效应量的差是最大的。这说明,功能连接计算时功能连接强度的阈值对于DC衡量两组被试差异是有一定影响的。

2.功能连接性指数及其影响大小。

A)在EU-AIMS LEAP数据集中的ASDTD被试基于血氧水平Pearson相关系数分布。

B)基于DC增加/减少的MASK,分别计算四个指标,指标具体内容见方法部分的图S2注释

C)选取不同Pearson相关阈值时, ASD被试的超连接差异和低连接差异的效应量大小之差

 

连接的差异同人口学变量和临床变量有关

接下来,作者评估了超连通性和低连通性指标是否以及如何与临床特征,年龄,性别,药物,和自闭症患者的精神病共病状态相关。 第一,将队列分为儿童,青少年和成人时,使用t检验来评估超连通性和低连通性,与前述分析相同的变化仍然存在。由于InFoR仅包括成年人,因此这些分析仅限于其他三个队列。

对于超连通性指数,所有患者均观察到显著差异,EU-AIMS LEAP队列中的所有年龄组呈相似效果(所有P <0.001;图3A)。在其他数据集,自闭症患者和青少年的正常组被试(仅ABIDE IP = 0.028)和成人正常组被试(ABIDE IP = 0.014 ABIDE IIP = 0.015)之间的差异显著,但儿童间差异不显著(图3A)。与青少年相比,所有三个数据集中的儿童低连通性指数同样差异不显著(图3B)。在对年龄的影响测试中,使用方差分析(ANOVA)对超连通性和低连通性指数分别进行测试,以诊断交互作用,但未观察到显著的交互作用。

在性别对所观察到的高连接和低连接指数影响的方差分析测试中,未观察到任何一组性别与高连接或者低连接之间的显著交互作用(均为P > 0.1) 精神药物对功能连接的显著影响仅在EU-AIMS LEAP队列中发现,经过药物治疗的ASD组,其功能连接更加接近TD组。对于共病状态的影响,仅在ABIDE II进行了分析(因为只有这组数据的被试分类符合标准),与非共病诊断的ASD相比,DC的增加(t187 = 0.1;P = 0.903),下降(t187 = 1.0;P = 0.335),或分离出的超连接性区域(t187 = 0.6;P = 0.582)和低连通性区域(t187 = 1.5;P = 0.147)的功能连接都无显著性差异。

经过与小组分析类似的探索和重复策略比较后,基于EU-AIMS LEAP数据集计算了12个一般线性模型(GLM),用于评估获取的超和低连通性指数与临床特征的严重程度的相关分析。这些分析显示,超连通性指数与ADI分量表、适应行为量表[VABS]中的日常生活技巧标准分数存在显著的相关关系(表4)。加强的连接改变与更强的临床损害相关(图3C)。在验证分析中,在EU-AIMS LEAP数据集中发现的两种相关关系在ABIDE I队列中也同样显著,但其他队列中缺乏类似结果的验证数据。在后续分析发现,ADI沟通分量表与VABS日常生活技能的数值相关性更强(r =0. 29;P = 0.006),与VABS沟通技能的相关性则相对较弱。这可能解释了为什么更强的DC连接和VABS的生活技能量表得分显著相关而不是和其交流量表得分。

3.高,低连通性指数,年龄和临床结果之间的关系

A)对所有患者按年龄组划分[儿童(<12岁),青少年(1218岁)和成人(> 18岁)]得出ASD>TDDC差异

B)对所有患者按年龄组划分[儿童(<12岁),青少年(1218岁)和成人(> 18岁)]得出ASD<TDDC差异

CEU-AIMS LEAPABIDE I数据集中的超连通性指数与ASD临床量表的相关性(针对年龄,性别,背景,和智商进行了协变量回归)。

DADI交流与VABS日常生活技能和交流分量表之间的关系。



4.高,低连通性指数与临床量表之间的相关性结果

功能连接性指数和相应的临床量表关系显著时以粗体显示(P <0.05)。

理解功能连接差异同结构差异之间的关系   

最后,作者评估了观察到的DC变化与结构差异之间的关系。为此,首先比较了ASDTD各自的mask区域的GMV(灰质体积)和白质体积之间的差异,ASD组与TD组的脑灰质体积、胼胝体膝部和胼胝体干部的体积无显著的组间差异。但ASD中胼胝体整体的白质体积(P = 0.017)和胼胝体脾部的白质体积(P = 0.014)显著减少,但效应量较低。在结构协变和rsfMRI功能连接变化是否相关的分析中,仅在胼胝体膝部发现,较低的白质体积变化与较强的rs-fMRI改变存在相关,但效应量较小((r = 0.1; P = 0.04)这说明,在本次研究中发现的ASD中存在的广泛区域的功能连接异常与其结构变化之间不存在较为明显的关联。
总结
   

总体来说,本文是利用大型数据库进行rsfMRI数据分析以及影像学特征和临床表现进行相关分析的典型文章。从本文所应用的所有方法来看,难度并不高,但是作者规避了现在rsfMRI分析研究中最容易被reviewer怀疑的几个点,第一是作者对头动的处理,基本上做了所有能够对头动如何影响数据统计结果的回应,也证明了头动对统计结果影响并不显著。第二是对负相关的处理,果断抛弃对负相关的功能连接的分析。第三是对不使用ROI wise的功能连接,避免了由于template不同带来的影响。第四是使用了不同站点的数据对结果进行了验证性分析,提高了文章结构的可重复性和可信度。   

其次,从作者对rsfMRI数据的不同分析可以看出,对于不同指标所能反应出的两组被试之间的功能连接差异的性质是有充分的把握的。本文作者对假设检验整个流程的分析规则相对了解,即使是对我们平时在统计时很容易出现trick的单双尾检验也做了充分的假设依据的交代。这说明,只有对我们常用的假设检验和数据分析方法有具体和深入的认识,才能不拘泥于方法的形式来展开研究,而是根据研究问题的深入性和灵活性选择合适的指标和统计方法来进行验证。   

最后,本文其实还存在很多可以进一步数据挖掘的内容。首先是作者对结构差异和功能差异之间关系的分析,我们发现分析结果并未揭示出明显的功能和结构改变之间的关系,但是作者使用体积这种敏感度不高的指标来分析结构差异,将其更换为皮层厚度或者DTIFA值等可能会发现更多信息。其次,作者发现的ASD患者DC值高于或低于TD患者的区域是否对将rs fRMI特征作为ASD患者识别的神经标志物具有意义并不清楚,使用机器学习来进一步挖掘其价值可能带来新的科研意义。最后,本文中对ASD并未进行更加细致的亚型分类研究,而这在临床治疗过程中具有显著意义。因此,对亚型的分类研究结合机器学习方法可能有更加有意义的发现。但是,这些并不是本文研究所感兴趣的问题,而是小编对有可能的数据挖掘的一点建议。
原文:Patients with autism spectrum disorders display reproducible functional connectivity alterations


微信扫码或者长按选择识别关注思影

如对思影课程感兴趣也可微信号siyingyxf或18983979082咨询。觉得有帮助,给个转发,或许身边的朋友正需要。请直接点击下文文字即可浏览思影科技其他课程及数据处理服务,欢迎报名与咨询,目前全部课程均开放报名,报名后我们会第一时间联系,并保留名额。


更新通知:第二十八届磁共振脑影像基础班(重庆,已确定)



更新通知:第十届脑影像机器学习班(已确定)


更新通知:第十二届磁共振弥散张量成像数据处理班(已确定)



第六届任务态fMRI专题班(预报名,南京)






眼动数据处理班(预报名)

数据处理业务介绍:



招聘及产品: