Structural changes in autism reflect atypical brain network organization and phenotypical heterogeneity: a deep network approach
本研究采用三维卷积神经网络分析结构性磁共振成像数据，揭示了左侧额叶和颞叶的异常宏观结构变化以及特定的功能网络是自闭症谱系障碍表型异质性的基础，从而为诊断亚型分类提供了见解。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
自闭症谱系障碍是一种复杂的发育性状况，它影响着人们如何进行互动、交流以及体验世界。虽然其核心挑战广为人知，但这种障碍在每个个体身上的表现各不相同，呈现出的是一个广泛的经验谱系，而非单一、统一的状况。科学家们长期以来一直试图理解这种多样性的生物学根源，寻找大脑中的物理差异，以解释为什么一个人在社交线索处理上存在困难，而另一个人面临的则是不同的障碍。几十年来，研究人员一直依赖功能成像技术（捕捉大脑在活动状态下的图像）来绘制这些差异。然而，一个更根本的问题仍然存在：大脑的静态结构——即通过单张快照捕捉到的物理架构——是否也能揭示这种复杂疾病的内在模式？
波士顿大学研究人员的一项新研究表明，答案是肯定的。通过将先进的人工智能应用于标准的结构性脑部扫描，该团队发现了一张隐藏的地图，展示了自闭症如何在全脑范围内在物理层面体现。他们不仅仅是在寻找一个单一的“自闭症区域”，而是使用深度学习系统分析了一百多名个体的整个大脑体积。其目标是观察大脑的物理形状和结构是否可以预测一个人症状的严重程度，并揭示哪些特定的网络参与其中。结果指向了一个引人注目的模式：这种障碍在大脑中留下了独特的、不对称的印记，其中左半球表现出的结构变化最为显著，且与疾病的严重程度相一致。
研究人员利用来自公共数据库的大量脑部扫描图像进行研究，重点关注那些根据标准临床量表被评定为高症状严重度或低症状严重度的自闭症个体。他们训练了一个复杂的计算机模型，即一种被称为三维卷积神经网络的深度学习系统，用以区分这两组人群。该模型旨在同时观察整个大脑，学习识别出人类肉眼可能忽略的灰质细微差异。为了确保模型学习到的是关于自闭症的特征，而非随机噪声或不同医院扫描方式带来的差异，团队采用了严格的测试方法。他们验证了模型的成功并非源于图像质量或参与者的年龄，而是源于与该疾病相关的真实结构特征。
一旦模型学会了区分两组人群，研究人员便使用了一种称为“显著性映射”（saliency mapping）的技术，来观察计算机究竟在关注大脑的哪些部分。可以将其想象为要求计算机高亮显示图像中对决策最重要的特定像素。结果揭示了一个清晰且一致的模式：大脑左半球的参与程度远高于右半球。最显著的结构变化集中在左侧的前额叶和颞叶，这些区域已知对语言、社交互动和情绪调节至关重要。虽然右半球也显示出一些变化，但其规模较小，且在群体中的一致性较低。
研究进一步探讨了这些不同脑区是如何协同工作的。研究人员分析了某一区域的结构变化是否倾向于伴随另一区域的变化而发生，从而形成一个相互连接的改变网络。他们发现，受影响最显著的脑区形成了一个凝聚的系统，这与大脑已知的的功能网络相吻合。具体而言，这些变化在默认模式网络（当我们白日梦或思考自我时活跃的网络）以及帮助我们专注于外界的注意力网络中最为突出。研究还将这些结构模式与特定症状联系起来。例如，左侧颞叶和顶叶的变化与沟通能力及社交意识评分的差异相关，这表明这些区域的物理形状直接关系到一个人社交挑战的严重程度。
其中一个最令人信服的发现是，疾病严重程度与这些大脑变化的连贯性之间的关系。在高度严重的自闭症个体中，左半球的结构差异并非随机分布；它们遵循一种比例模式，即某一区域的变化程度与另一区域的变化程度是相互关联的。这表明，在严重病例中，大脑的架构是以一种协调且系统化的方式发生改变的。相比之下，在低严重度个体以及所有人的右半球中，这种比例关系则要弱得多，甚至不存在。这表明，左半球承担了该疾病主要的结构负担，且这种负担的程度随症状的强度而递增。
研究人员还考察了这些结构性发现与已知的大脑功能之间的关系。他们识别出的网络——例如默认模式网络和有助于决定关注点的显著性网络——正是自闭症患者在活动时表现出功能异常的那些网络。这是一个至关重要的发现，因为它意味着大脑的物理结构（在标准扫描中可见）包含了这些功能差异的蓝图。这表明，大脑的构建方式可能决定了它的运作方式，并且这些结构标记足以作为理解该疾病谱系的可靠依据。
通过聚焦于左半球及其特定网络，这项研究为自闭症背后的生物学现实提供了更清晰的图景。它超越了寻找单一原因或单一大脑类型的观念，转而展示了一个与现实世界症状相关的结构变异谱系。这项工作证明了人工智能可以作为一种强大的透镜，揭示出此前难以观察到的复杂数据模式。虽然该研究并未提供新的诊断测试或治愈方法，但它提供了一张详细的自闭症大脑结构景观图，将物理形态与功能后果联系起来。这张地图有助于解释为什么该疾病在不同人身上表现得如此迥异，并为未来研究这些结构差异如何塑造个体独特的体验奠定了基础。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。