目录

1. 引言

2. 数据与方法

2.1 被试

2.2 MRI协议

2.3 图像预处理

2.4 TBSS分析

2.5 白质侧化指数

2.6 统计分析

3. 研究结果

3.1 人口特征

3.2 TBSS分析结果

3.3  预测性能

4. 讨论

4.1 主要变化参数及其临床意义

4.2 不同型号的性能

---

简要总结

该文章通过使用扩散峰度成像(DKI)和基于体素的空间统计分析(TBSS)技术，研究了自闭症儿童的大脑白质微观结构变化，并结合机器学习模型对自闭症进行分类诊断。研究收集了32名自闭症儿童和27名健康儿童的DKI数据，分析了FAK、MK、KA、RK、FA、DA、MD和DR等参数，发现自闭症儿童在双侧上纵束、皮质脊髓束和前丘脑辐射等多纤维束区域的FAK、DA和KA值显著降低，且在上纵束区域的DA侧向化存在异常。研究还发现，自闭症儿童与健康儿童在FA、MD、MK、DR和KR值上无显著差异。进一步，研究将TBSS分析得到的差异区域参数值作为特征，训练并测试了BPNN、SVM和LR三种机器学习模型，发现BPNN的准确率最高(86.44%)，且其敏感性表现优异。研究结果表明，结合TBSS和机器学习模型可以有效地区分自闭症儿童和健康儿童，FAK、KA、DA参数和侧向化指数(LI)值有望作为神经影像学标志物用于早期自闭症的诊断。

摘要：

目的：使用扩散峰度成像(DKI)探讨自闭症儿童大脑白质微观结构的变化，并评估基于体素的空间统计分析(TBSS)与反向传播神经网络(BPNN)/支持向量机(SVM)/逻辑回归(LR)相结合是否可用于自闭症儿童的分类。

方法：回顾性收集32例自闭症儿童和27例健康对照(HCs)的DKI数据。通过iQuant工作站生成峰度各向异性分数(FAK)、平均峰度(MK)、轴向峰度(KA)、径向峰度(RK)、各向异性分数(FA)、轴向扩散度(DA)、平均扩散度(MD)和径向扩散度(DR)。采用TBSS检测参数值异常区域，并对两组间进行比较。此外，引入侧向化指数(LI)以研究自闭症儿童的大脑侧向化，使用TBSS进行额外分析。然后计算每个参与者TBSS区分区域的参数值，并将其作为SVM/BPNN/LR的特征。所有模型均采用留一交叉验证(LOOCV)进行训练和测试。

结果：与HCs组相比，自闭症组多纤维束[如双侧上纵束(SLF)、皮质脊髓束(CST)和前丘脑辐射(ATR)]的FAK、DA和KA值较低(p < 0.05，TFCE校正)。同时发现上纵束(SLF)的DA侧向化异常(健康对照组的LI高于自闭症组)。然而，两组间在FA、MD、MK、DR和KR值上无显著差异(P > 0.05，TFCE校正)。经LOOCV训练和测试三种模型(SVM/BPNN/LR)后，发现BPNN的准确率(86.44%)高于LR(76.27%)，但与SVM(RBF，准确率81.36%；线性，准确率84.75%)无显著差异。

结论：此研究提出的方法将TBSS发现与机器学习(LR/SVM/BPNN)相结合，可高效地用于自闭症儿童的分类。此外，FAK、DA和KA值以及侧向化指数(LI)值可作为神经影像学标志物，用于区分自闭症儿童和非自闭症儿童。
 

1. 引言

自闭症谱系障碍(ASD)是一种以社交和语言沟通技能缺陷以及有限的重复行为为特征的特定类型的广泛性发育障碍。一些证据表明，功能和结构连接的破坏会导致ASD的这些行为特征。在一些ASD研究中，已经报告了语言理解和情绪识别期间功能连接的中断。最近，越来越多的研究发现异常功能连接与结构连接破坏之间存在关联。因此，ASD中的一些认知功能障碍可能与白质微观结构的破坏有关。在某些情况下，该研究可以观察到大脑半球间信息传递和功能连接的不足。在某种程度上，连接受损和大脑左右半球生长侧向化异常可能与ASD中的异常社交和认知症状有关。

如今，自闭症谱系障碍(ASD)的早期诊断主要依赖于临床症状，但大多数ASD儿童并无典型临床表现，这使得早期诊断极为困难。不过，一些研究指出，在自闭症早期进行适当的系统康复干预，能够改善大多数患者的症状。医学界普遍认为，对ASD儿童越早进行康复干预，预后就越理想。因此，临床医生对儿童自闭症进行早期准确诊断显得尤为重要。

扩散峰度成像(DKI)是一种先进的序列，能够基于非高斯水分子理论来描述和敏感地检测复杂脑组织的微观结构变化。基于体素的空间统计分析(TBSS)是一种统计方法，用于计算患者与健康儿童之间扩散图像的差异。这种方法能够对DKI数据中群体差异进行客观的空间定位，并且通过使用非线性配准以及充分利用主要白质束的空间决定因素，最小化了配准误差和偏差，消除了对任意平滑的需求。对于像自闭症谱系障碍(ASD)这样的疾病，TBSS能够准确地定位大脑区域。之前一项结合了DKI和TBSS的研究，以探索成年自闭症患者大脑中的白质异常，证实了DKI能够敏感地检测到自闭症患者大脑中的白质异常，并且KA值的降低反映了患者的病情严重程度，这与此研究的发现一致。

机器学习方法，如支持向量机(SVM)，已被应用于区分伴有海马硬化症的内侧颞叶癫痫儿童和健康儿童。最近，深度神经网络作为一种新的机器学习方法，在不同领域越来越受到关注，并已实际应用于阿尔茨海默病等脑部疾病的分类。在此研究中，该研究尝试使用反向传播神经网络(BPNN)进行分类。BPNN在科学研究的各个领域得到了广泛应用，并在一些小样本研究中得到了验证。

该研究假设存在一种基于 DKI 参数的机器学习模型，能够高效地判断儿童是否患有 ASD。首先，该研究使用 TBSS 来探索大脑区域的异常情况，然后将 DKI 的异常参数与 BPNN 结合进行分类。与之前使用预定义 ROI 的分析不同，此研究采用 TBSS 对 DKI 进行全局分析，并首次将 TBSS 分析的差异用作神经网络训练的特征。为了比较 BPNN 和传统分类器的性能，该研究还使用了 Python 中的 SVM（线性核）、SVM（RBF 核）和逻辑回归（LR）。

2. 数据与方法

2.1 被试

此研究的所有参与者均为 2020 年 5 月至 2021 年 5 月期间在郑州大学第三附属医院招募。共纳入 59 名参与者，其中包括在该医院首次被诊断为自闭症谱系障碍(ASD)的 32 名儿童以及 27 名健康儿童。所有患者均依据以下标准纳入：(1) 年龄在 36–60 个月之间，惯用右手；(2) 孕周≥37 周；(3) 所有患者均符合《精神障碍诊断与统计手册》第五版(DSM-V)中 ASD 的诊断标准；(4) 儿童自闭症评定量表(CARS)得分≥30 分；(5) 无头部外伤及惊厥病史，无其他精神疾病史，无神经疾病家族史，无精神活性药物治疗史；(6) 影像学检查无局灶性或弥漫性病变。所有健康对照者(共 27 名，年龄和性别与患者组匹配)均无任何惊厥及其他发育或神经障碍。

2.2 MRI协议

MRI采集在3T MR扫描仪（GE Signa Pioneer 3.0T）上进行。在检查前30分钟，所有参与者都接受了水合氯醛（0.5 ml/kg）灌肠。为了获得稳定的图像质量，使用了带有棉球的耳塞来防止机器的噪音。常规序列扫描后，对所有参与者进行轴向DKI。扫描参数为：TR/TE=8200ms/2.3ms，FOV=200mm×200mm，采集矩阵=256×256，NEX=1，切片厚度=4mm，切片数量=27；梯度值b:0、1000和2000s/mm2；扫描时间=7分23秒。所有受试者均无明显结构损伤，由两名放射科医生根据常规MRI图像进行检查。

2.3 图像预处理

所有原始DKI图像均在iQuant工作站（GE Healthcare，中国北京）上处理。此工作站是Horos软件商业版本的升级版（https://horosproject.org/）。最新的AW4.7版本不再支持之前的DKI处理平台，因此通用电气的开发团队转移了包括DKI图像处理在内从AW4.6 FuncTool平台到Horos的算法，并称之为iQuant。在工作站中导入图像后，可以自动获得FA/MD/Da/DR和FAK/MK/KA/KR图。然后，该研究将参数映像导出到安装了FMRIB软件库V5.0（英国牛津大学FSL）的VMware Linux虚拟机上的工作站。FMRIB的扩散工具箱（FDT）是FSL的一个工具，用于校正图像失真。然后，该研究使用FSL的另一个工具，名为大脑提取工具（BET），从图像中删除非大脑结构。

2.4 TBSS分析

使用FSL进行基于体素的空间统计分析(TBSS)，分析FA/MD/DA/DR或FAK/MK/KR/KA地图的统计差异。TBSS分析步骤如下：首先，将每位参与者的FA图像与其他所有参与者的FA图像进行配准，生成研究特定模板(tbss_2_reg-n)。然后，将最能代表参与者的图像(目标图像)进行仿射对齐，使其符合MNI152标准空间。所有FA图像经过非线性变换与目标图像对齐，再将目标图像仿射变换到MNI152空间，最终使所有FA图像配准到MNI152空间。接着，生成所有参与者平均FA图像，用于生成FA阈值为0.2的白质骨架。最后，将该白质骨架作为二值掩模，将每位参与者的FA/MD/DR/DA和FAK/MK/KR/KA图像分别投影到骨架上，导出进行体素统计分析。

2.5 白质侧化指数

每位参与者的 DKI 侧化指数由原始不对称骨架及将原始骨架左侧翻转到右侧得到的对称骨架生成。他们的 4D 预对齐数据（all_FA 或非 FA）被投影到对称骨架上，生成 4D 文件（all_FA_symmetrised_skeletonised 或 nonFA symmetrised_skeletonised）。接着，使用 fslswapdim 命令完成 4D 文件的左右切换，生成翻转后的 4D 文件。

2.6 统计分析

该研究运用 FSL 的 randomize 工具开展统计分析，每项测试采用 5000 次随机置换。设定两种对比：ASD 高于健康对照及健康对照高于 ASD。鉴于 FA 或其他参数地图可能受年龄或性别影响，该研究把年龄和性别纳入统计分析的协变量，以确保组间 DKI 参数差异的独立性。采用阈值自由聚类增强（TFCE）计算两组间的显著差异，初始阈值设定为 p < 0.05，并通过家族式错误（FWE）校正多重比较。最后，将 p < 0.05 的 FWE 校正统计地图映射到 MNI 空间中的 JHU-WM 纤维束成像图谱，以定位和解剖学标记 TBSS 显示显著差异的骨骼区域。之后，该研究提取 TBSS 分析中检测到的聚类，计算其 DKI 参数值作为原始特征。随后，利用主成分分析（PCA）从 59 名参与者中选择有效特征，保留原始特征 90% 的原始信息。

基础数据的统计分析是在IBM SPSS Statistics 25.0（美国纽约州阿蒙克市IBM公司）上进行的。该研究使用独立t检验来比较连续值（年龄）的差异。采用卡方检验比较计数值的差异。Kruskal-Wallis检验用于比较序数秩变量。p<0.05表示具有统计学意义，所有统计检验均为双侧检验。

3. 研究结果

3.1 人口特征

在基线水平上，发现两组在性别、年龄、出生方式、父母的教育背景以及喂养方式上均无统计学差异（p > 0.05，表1）。

表1 两组人口统计特征

3.2 TBSS分析结果

表2总结了峰度分数各向异性中受试者的显著簇。与健康对照组相比，自闭症谱系障碍（ASD）组在双侧皮质脊髓束（CST）、前放射冠（ATR）、扣带回（CG）、海马（HIP）、下额枕束（IFOF）、下纵束（ILF）、上纵束（SLF）以及钩束（UF）、SLF的颞部以及大钳（FMA）和小钳（FMI）中观察到峰度分数各向异性（FAK）降低。此外，该研究发现ASD组在双侧CST、ATR、IFOF以及左侧SLF、ILF、UF和左侧SLF的颞部的轴向峰度（KA）显著降低（补充表1）。与健康对照相比，ASD组在FMA和右侧ILF、IFOF、SLF、ATR以及右侧SLF的颞部的轴向扩散性（DA）显著降低（补充表2）。此外，ASD组在左侧SLF的侧化指数（LI）与健康对照组相比显著增加（补充表3）。在分数各向异性（Fa）、径向扩散性（RD）、平均扩散性（MD）和平均峰度（MK）、径向峰度（KR）方面，两组间未观察到显著差异。图1展示了这三种参数的组间差异。

表2 峰度分数各向异性的组间差异

表3 SVM（线性）、SVM（RBF）、BPNN和LR的评价指标

图1 FAK、KA和DA的TBSS组间差异

3.3  预测性能

所有型号的性能如表3所示。在LOOCV实验中，BPNN的准确性、敏感性和特异性分别为86.44%、96.88%和74.07%。AUC达到0.81，表明BPNN具有良好的分类性能（表3）。然后，在特异性和敏感性的比较中，不同模型之间没有差异，但该研究发现BPNN和LR在准确性方面存在显著差异（McNemar检验，p<0.05）。此外，BPNN和SVM在准确性上没有显著差异（McNemar检验，p>0.05）。该研究还进行了德龙检验，对不同模型的AUC值进行了比较，结果表明不同模型之间的AUC没有统计学差异（德龙检验p>0.05）。ROC曲线如图2所示。该研究发现，在F1成绩中，BPNN的成绩最好，达到88.89%，而LR的F1成绩最低，仅为79.41%。

图2 不同模型的受试者工作特性（ROC）曲线

4. 讨论

 

在临床实践中，大多数常规磁共振成像（MRI）检查结果均为阴性，这对自闭症的早期诊断极为不利。然而，作为一种扩散加权成像技术，扩散峰度成像（DKI）能够提供关于脑组织的丰富生理信息。与传统的扩散加权成像不同，DKI成像是一种新近开发的方法，具备测量非高斯扩散的能力，这使得DKI非常适合于研究微观结构的变化。

4.1 主要变化参数及其临床意义

在此次研究中，采用了基于轨迹的自动分析方法 ——TBSS，用以研究自闭症谱系障碍（ASD）儿童白质纤维束的微观结构变化。与健康对照组相比，ASD 组在广泛的纤维束中观察到 FAK、KA 和 DA 降低，这表明 ASD 儿童存在广泛的白质损伤。同时，该研究还发现，与健康对照组相比，ASD 儿童在 SLF 的 DA 中表现出 LI 增加，这表明 ASD 儿童存在大脑侧化的发育异常。

FAK 在某种程度上类似于 FA，用于测量各向异性，但采用的是峰度张量进行计算，这使得它在面对复杂的白质纤维排列时误差更小。当纤维束和轴突的体积密度增加时，它还可以为 FA 性能不佳的情况提供必要的补充。尽管有许多研究并未采用 FAK 参数来评估微观结构的变化，但在此次研究中，该研究在 ASD 儿童广泛的纤维束中发现了 FAK 降低。以往的研究也证实，FAK 可能是评估白质微观结构变化的一个重要参数。与 FAK 相比，FA 参数在评估具有连贯纤维排列的白质时应用更为广泛，例如皮质脊髓束（CST）。但对于像下纵束（ILF）这样的交叉纤维，FA 的评估价值则相对有限。在该研究结果中，发现了多处复杂的纤维排列变化，这或许可以解释为何在检测白质损伤时，FA 并不敏感，而 FAK 则更为有效。在多个纤维束中 FAK 的降低显示出白质轴突损伤的明显迹象，这表明这些区域确实与 ASD 有关。

扩散峰度成像（DKI）中的 KA 和 DA 参数也是常用的峰度和扩散度量指标。KA 是沿着扩散张量长轴方向的峰度参数，反映轴突的完整性。DA 则是沿轴方向的扩散度量指标，已被证明是轴突损伤的生物标志物。在此研究结果中，该研究发现右侧下额枕束（IFOF）、下纵束（ILF）和上纵束（SLF）的 DA 减少，而 KA 的减少则出现在更多区域。此外，KA 改变的簇大小比 DA 值的更大。一些区域如皮质脊髓束（CST）和钩束（UF）显示出 KA 改变，但没有 DA 改变。在某种程度上，这表明峰度参数比扩散参数更敏感。髓鞘完整性的破坏、神经纤维密度和平行性的降低以及微观结构的紊乱可能直接导致 KA 和 DA 的减少。该研究的结果与以往关于 KA 变化趋势的研究一致。

以往研究表明，ASD 儿童存在丘脑-前额叶连接障碍。此外，以往研究还报告了 ASD 患者丘脑体积减少，并且丘脑体积与全脑体积之间的线性关系丧失，这间接证实了 ASD 儿童存在皮质-丘脑连接损伤。该研究观察到双侧前放射冠（ATR）的 FAK、DA 和 KA 减少，这与以往研究一致。此外，该研究还发现双侧 ILF 和 IFOF 的 DKI 参数变化，其中 IFOF 与语言处理相关，ILF 与阅读能力相关。这也有助于解释该研究中 ASD 儿童的阅读和语言交流困难症状。UF 是连接颞叶（包括杏仁核和海马）与岛叶和眶额叶皮层的内侧白质纤维束。它介导腹侧边缘连接，促进处理情感和认知信息的结构之间的整合。UF 的损伤可能与 ASD 的社会-情感处理缺陷相关，导致 ASD 儿童缺乏同理心。

目前，该研究首次使用 DKI 来研究 ASD 儿童的大脑侧化。由于其对人类生长和发育的评估能力，侧化指数在行为评估等领域得到了广泛的应用。结果显示，ASD 儿童的 DA 侧化指数显著高于正常发育的儿童；此外，该研究在差异比较中发现，ASD 儿童的 DA 参数减少仅出现在大脑右侧，而左侧的 DA 参数与正常儿童相似。这表明 ASD 儿童 DA 侧化指数的增加可能是由于大脑右侧 DA 值的降低所致。众所周知，中枢神经系统在颈椎处分叉为两束，分别控制左右肢体，因此大脑半球与肢体行为之间存在方向交叉，例如右脑主要控制左侧肢体运动。此外，根据以往报告，ASD 儿童中左撇子的比例增加。Catani 等人使用 DTI 技术证明，SLF 是连接前外侧、后部和外侧语言区域的白质通路的纽带。在语言功能方面，上纵束将大脑的理解传递到优势半球进行表达，也被称为“语言转移”。一些研究报道，上纵束的病变也会导致传导性失语症。然而，该研究的大多数 ASD 儿童在语言能力方面存在问题，该研究在一定程度上解释了这一症状。总体而言，DA 侧化指数可能是早期 ASD 儿童语言技能和运动技能改变的提示指标。

4.2 不同型号的性能

该研究的TBSS 结果可能为基于机器学习的分类模型提供有效的扩散和峰度特征，作为潜在的生物标志物。以往的脑科学研究主要关注预定义的感兴趣区域（ROI）变化，但在分类任务中，这种特征选择方式过于主观，导致性能不可靠。在此次研究中，该研究的特征基于全脑差异比较，且这些差异参数与患者的临床症状一致。因此，该研究为分类器提供的特征具有客观性，在敏感性和特异性方面表现更佳。

该研究尝试使用 BPNN 进行分类，其准确性优于 LR，与 SVM 的准确性相当。该研究还比较了四种模型的特异性、敏感性及 AUC 值，尽管差异无统计学意义，但 BPNN 的敏感性较高，对病例的检测表现出色。该研究发现，尽管 BPNN 的 AUC 值表现不佳，但在 F1 分数上基本高于传统分类器；这可能是因为数据不平衡（ASD 组受试者多于 HC 组）；此前研究表明，在数据不平衡的情况下，F1 分数更能反映分类器的实际性能，这进一步证明了 BPNN 与 TBSS 分类器结合能产生更好的分类效果。由于该研究的样本量较小，该研究使用了对过拟合现象相对稳健的 SVM、LR 和 BPNN 模型；此前研究表明，LR 和 SVM 适用于小样本研究。其次，该研究引入了 LOOCV，通过偏差-方差权衡在一定程度上避免了过拟合。因此，结合 LOOCV 和相应模型，该研究的结果的可靠性得到了验证。

精读分享

主题内容：

数据：

该文献的数据集来自郑州大学第三附属医院：具体来说，研究招募了2020年5月至2021年5月期间在该医院就诊的32名首次被诊断为自闭症谱系障碍（ASD）的儿童和27名健康儿童。所有参与者均根据以下标准纳入：年龄在36至60个月之间，惯用右手，孕周≥37周，符合《精神障碍诊断与统计手册》第五版（DSM-V）中ASD的诊断标准，儿童自闭症评定量表（CARS）得分≥30分，无头部外伤及惊厥病史，无其他精神疾病史，无神经疾病家族史，无精神活性药物治疗史，影像学检查无局灶性或弥漫性病变。健康对照组儿童无任何惊厥及其他发育或神经障碍。

方法：

扩散峰度成像（DKI）：用于描述和敏感地检测复杂脑组织的微观结构变化，基于非高斯水分子理论。

基于体素的空间统计分析（TBSS）：用于计算患者与健康儿童之间扩散图像的差异，能够对DKI数据中群体差异进行客观的空间定位。

反向传播神经网络（BPNN）：用于分类，尝试将DKI的异常参数与BPNN结合。

支持向量机（SVM）：包括径向基函数（RBF）和线性核，用于比较和分类。逻辑回归（LR）：用于比较和分类。

统计分析：使用FSL的randomize工具，每项测试采用5000次随机置换。计算两组间的显著差异，初始阈值设定为p < 0.05，并通过家族式错误（FWE）校正多重比较。将校正后的统计地图映射到JHU-WM纤维束成像图谱上，定位和解剖学标记显示显著差异的区域。

特征提取和选择：从TBSS分析中提取聚类，计算其DKI参数值作为原始特征。使用主成分分析（PCA）从59名参与者中选择有效特征，保留原始特征90%的原始信息。

模型训练和测试：采用留一交叉验证（LOOCV）训练和测试所有模型。计算模型的准确率、敏感性、特异性、F1分数等指标，评估模型性能。使用Delong检验比较不同模型的AUC值，使用McNemar检验比较模型的准确率、敏感性和特异性差异。

结果：

TBSS分析结果：与健康对照组相比，自闭症组在双侧上纵束（SLF）、皮质脊髓束（CST）和前丘脑辐射（ATR）等多纤维束区域的FAK、DA和KA值显著降低（p < 0.05，TFCE校正）。在上纵束（SLF）区域，自闭症组的DA侧向化异常，健康对照组的侧向化指数（LI）高于自闭症组。两组间在FA、MD、MK、DR和KR值上无显著差异（P > 0.05，TFCE校正）。

机器学习模型性能：经过留一交叉验证（LOOCV）训练和测试，BPNN的准确率（86.44%）高于LR（76.27%），但与SVM（RBF核，81.36%；线性核，84.75%）无显著差异。BPNN的敏感性（96.88%）和特异性（74.07%）表现优异，AUC值为0.81，表明其分类性能良好。在F1分数上，BPNN（88.89%）表现最佳，LR（79.41%）最低。

生物标志物潜力：FAK、KA、DA参数和侧向化指数（LI）值有潜力作为神经影像学标志物，用于区分自闭症儿童和健康儿童。

模型比较：BPNN在准确率上优于LR，但与SVM相当。BPNN在敏感性和特异性上表现突出，但在AUC值上与传统分类器无显著差异。BPNN在F1分数上优于其他模型，尤其是在处理不平衡数据时表现更好。

临床意义：该研究结果表明，结合TBSS和机器学习方法可以有效地区分自闭症儿童和健康儿童，为早期诊断提供了新的可能性。FAK、KA、DA和LI值作为生物标志物，可能有助于早期ASD的诊断和干预。

挑战与未来展望：

挑战

样本量小：此研究样本量相对较小，且缺乏独立数据集的验证。这可能导致研究结果的可靠性受到一定影响，未来需要更多大规模的多中心数据集来进一步验证结果。

影像数据单一：研究仅使用了DKI这一种影像数据，而结合多种影像模态（如静息态功能磁共振成像等）可能会更有效地揭示自闭症的神经机制，但在儿童中获取多种影像数据仍面临挑战。

模型泛化能力：尽管研究中使用的机器学习模型在小样本数据上表现良好，但其泛化能力仍需进一步检验。由于自闭症的异质性较大，模型在不同人群中的表现可能会有所不同。

临床应用转化：虽然研究提出了有潜力的生物标志物和分类方法，但要将其转化为实际的临床诊断工具，还需要克服诸多困难，如临床数据的获取、模型的优化和验证等。

未来展望

大规模多中心研究：开展更大规模的多中心研究，纳入更多不同年龄、性别和病情严重程度的自闭症儿童，以提高研究结果的可靠性和泛化能力。

多模态影像融合：结合多种影像模态，如功能磁共振成像（fMRI）、结构磁共振成像（sMRI）等，从不同角度探讨自闭症的神经生物学机制，提高诊断和分类的准确性。

纵向研究设计：开展纵向研究，跟踪自闭症儿童的发育过程，观察其大脑结构和功能的变化，以及这些变化与临床症状和干预效果的关系，为早期干预和治疗提供依据。

个体化诊断和治疗：基于机器学习模型和生物标志物的研究成果，开发更加个体化的诊断和治疗方案，根据每个患儿的特征制定针对性的干预措施，提高治疗效果。跨学科合作：加强神经科学、精神科学、计算机科学等多学科的合作，共同探索自闭症的发病机制和治疗方法，推动自闭症研究的深入发展。

总结：

此研究显示，DKI 的 TBSS 与机器学习相结合，对区分为自闭症儿童有效。此外，FAK、KA、DA 参数和 LI 值有潜力作为生物标志物，用于区分早期 ASD 儿童。

参考文献：

He X, Zhao X, Sun Y, et al. Application of TBSS-based machine learning models in the diagnosis of pediatric autism. Front Neurol 2023;13:1078147; doi: 10.3389/fneur.2022.1078147.