山东第一医科大学放射学院2019级影像技术硕士研究生刘冠鲁，以第一作者身份撰写论文“Two neuroanatomical subtypes of males with autism spectrum disorder revealed using semi-supervised machine learning”（基于半监督机器学习揭示男性自闭症患者的两种神经解剖学亚型）近日发表在神经科学领域TOP期刊Molecular Autism上（IF=7.509）。
自闭症谱系障碍作为一种日益常见的神经发育障碍，影响着全球1-2%的人群。与其他以症状严重程度为特征的精神疾病不同，自闭症患者通常表现出高度生物和临床异质性。因此，自闭症的临床亚型并不能通过患者的症状严重程度得到良好区分，这阻碍了理解其潜在的病因学、生物学机制。
该研究从神经影像学的角度出发，对自闭症的大脑结构磁共振图像数据进行聚类分析，得到数个良好可分辨的神经解剖学亚型，并分析探究了不同神经亚型之间以及各亚型与健康对照组之间临床量表、认知量表以及静息态功能磁共振图像的差异，以进一步揭示自闭症复杂异质性背后潜在的生物学机制。
图1.研究中两种自闭症神经亚型的灰质和白质体积模式
研究首次提出使用半监督的机器学习方法对自闭症患者灰质、白质和脑脊液的大脑感兴趣区体积值进行聚类分析，以得到不同的神经解剖学亚型。与以往无监督聚类方法不同，半监督聚类方法不直接对患者进行聚类，而是在聚类中引入了健康对照组，通过患者与健康被试的差异进行聚类建模，可以较好地克服自闭症患者的高度异质性。
研究获得了区分明显的两种神经解剖学亚型。两种亚型间具有显著不同的体素水平体积模式（图1）。其次，两种神经解剖学亚型在总智商、言语智商、自闭症诊断观察量表（ADOS）总分和ADOS严重程度得分之间存在着显著差异（图2）。同时两种神经解剖学亚型在大脑的功能模式上也存在显著差异。
图2.本研究中两种神经亚型之间的相似和差异的主要发现
研究不仅提高了对自闭症患者异常大脑发育机制的理解，而且有助于建立该疾病潜在的稳定大脑-行为关系。在未来的研究中，这些神经解剖学亚型将有助于改善临床决策过程和优化未来的治疗。
刘冠鲁为本文第一作者，论文通讯作者为放射学院路伟钊、邱建峰老师。研究由山东第一医科大学学术提升计划、山东省泰山学者项目和济南市创新团队经费支持。
论文开放获取链接地址：Two neuroanatomical subtypes of males with autism spectrum disorder revealed using semi-supervised machine learning | Molecular Autism | Full Text (biomedcentral.com)
