基于图卷积神经网络的孤独症谱系障碍多模态数据融合与诊断模型研究

来源期刊：广州医药 | 39-45 发布时间：2026-01-20 收稿时间：2026/2/6 17:19:29 阅读量：71

作者：: 黄仲羽,

吕子畔,

沈峰,

严瀚,

查彩慧,

关键词：: 孤独症谱系障碍图卷积网络多模态可解释性脑连接网络; autism spectrum disorder graph convolutional neural network multimodal interpretability brain connectome

DOI：: 10. 20223 / j. cnki. 1000-8535. 2026. 01. 006

收稿时间：: 2025-09-15
修订日期：
接收日期：
引用总数：: 1

目的针对孤独症多模态证据融合与定量化辨识的关键问题，本研究提出基于图卷积神经网络（GCN）的孤独症谱系障碍（ASD）诊断模型研究思路。方法通过对来源于ABIDE的ASD儿童脑部fMRI数据进行整理和筛选，提取脑区功能连接矩阵作为图结构的邻接矩阵，并融合临床表型数据，构建了ASD多模态关联网络。通过网络特征比较分析，识别出了ASD与典型发育组的脑功能连接网络组间差异。进一步地构建一个端到端的GCN模型，并尝试引入注意力机制，提高模型决策的可解释性。结果该模型在诊断性能指标优于传统机器学习方法（准确率=0.710，精确率=0.709，召回率=0.780，F1=0.743，曲线下面积=0.746）。背侧注意网络与边缘系统-颞极枢纽的功能连接减弱是模型做出判断的最主要依据。结论以异质图为多模态数据整合的基本架构，本模型为ASD的潜在病理机制探索提供了新的方法学范例。

孤独症谱系障碍（autism spectrum disorder，ASD）是一种以社交沟通障碍、兴趣狭窄和重复刻板行为为核心特征的神经发育障碍。由于ASD的发病机制尚未被完全阐明，当前其临床诊断主要依赖行为观察和量表评估。大量研究表明，ASD的临床异质性影响了其发生、发展规律的探索^［1］。由于缺乏客观化的生物标志物，ASD的早期、客观化诊断十分困难。随着多学科融合的不断深入，国内外相关领域学者从不同角度切入，探索ASD早期诊断的标志物^［2］。其中，脑影像学技术的引入，为理解ASD的神经机制提供了新的视角。相关研究表明，静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rs-fMRI）提示ASD患者的大脑功能连接（functional connectivity，FC）存在广泛异常，突出表现为一种“网络整合不足（hypoconnectivity）”与“局部功能分离异常”共存的复杂模式^［3-4］。此外，也有学者尝试通过蛋白组学、代谢组学，以及单细胞测序等多组学技术的应用，从不同角度探索ASD的客观化诊断方法^［5-6］。相关研究的开展，为揭示ASD的发生发展机制提供了多尺度的研究证据。

近年来，结合计算机与人工智能领域的前沿进展，相关临床诊断模型的构建提高了复杂疾病的诊断准确性，也为临床决策提供了良好的技术支持^［7］。以机器学习方法为代表，基于fMRI的诊断模型构建为实现ASD的量化诊断提供了良好的实践思路^［8-9］。然而，传统基于“手工特征+机器学习”的分析思路存在一定的局限性。首先，支持向量机（support vector machine，SVM）、随机森林（random forest，RF）等传统机器学习方法通常将功能连接矩阵扁平化为特征向量，无法体现大脑网络固有的拓扑结构与空间邻接关系。这种处理方式无法有效利用脑区之间复杂的、非欧几里得式的交互信息，导致大量有价值的网络拓扑属性丢失，限制了模型的特征学习能力^［10］。其次，现有研究虽尝试融合多模态数据，但多采用建模前特征拼接融合或分类建模后融合等策略。这些策略难以深度挖掘脑影像特征与临床表型之间复杂的、非线性的交互作用，无法实现真正意义上的协同学习^［7］。并且，传统模型由于解释性不足，无法体现ASD的多尺度异质性及其内部的关联，限制了模型在个性化诊疗过程中的应用^［11］。因此，如何有效整合不同尺度的研究证据，丰富ASD的病理机制认识，从而形成具有可解释性的客观化诊断方法，是相关领域研究学者所关注的重点问题^［12-13］。

结合知识图谱与图神经网络研究领域的前沿进展，本研究尝试利用知识图谱在异质化节点特征表示及拓扑结构融合的优势，以及图卷积神经网络（graph convolutional neural network，GCN）在拓扑属性学习及模型可解释性方面的特点^［14］，提出ASD多模态数据融合的诊断模型构建思路。在多学科融合的背景下，探讨复杂疾病个性化诊断的应用创新。

1 资料与方法

1.1 数据来源与预处理

本研究数据来源于Autism Brain Imaging Data Exchange（ABIDE）I数据集^［15］。结合本研究主题，对数据集中1 112例病例数据进行筛选。初步剔除阿斯伯格综合征及广泛性发育障碍患者共42例。并且，结合数据完整性和可获取性，剔除病例145例，最终纳入病例925例，包括ASD患者429例及典型发育组（typical development，TD）参与者496例。

所有rs-fMRI数据均采用基于DPARSF^［16］（Data Processing Assistant for Resting-State fMRI）的标准预处理流程，包括时间层校正、头动校正、空间标准化、平滑以及去噪。具体流程如下：去除前5个容积（以排除磁场饱和效应）、层时间校正和头动校正。将T1加权结构像与平均功能像进行配准，并以此为基础将fMRI图像空间标准化至标准的MNI152模板。回归滤除干扰变量，如低频漂移和头动参数。采用aCOMPCor（基于解剖成分的噪声校正法）去除包括白质和脑脊液信号等生理波动。针对表型数据的缺失问题，采用自动化的方法进行数据补全。结合原始数据的完整性分析，本研究选取韦氏智力量表中的3个标准化智商指标（verbal intelligence quotient，VIQ），（performance intelligence quotient，PIQ）和（fullscale intelligence quotient，FIQ）3个表型数据进行补全处理，所使用的补全算法为KNN算法。

1.2 特征提取与图构建

使用功能连接（function connectivity，FC）作为特征来对ASD组和TD组进行特征提取。FC矩阵是一个加权邻接矩阵，表示静息态下大脑中成对感兴趣区域（region of interest，ROI）之间的协同激活水平。为构建FC矩阵，我们使用Schaefer-400脑图谱功能分区图谱^［17］定义了400个同质性的ROI。为每位被试者从这400个区域中提取了相应的BOLD信号平均时间序列。FC矩阵中的每个值均通过计算两个相应时间序列的皮尔逊相关系数得出。FC矩阵中每个值的范围在-1到1之间。鉴于矩阵的对称性，通过对925例参与者的400×400相关矩阵去除上三角部分（并省略代表自相关的对角线元素）将其向量化。

以每个脑区为一个节点。节点初始特征为该脑区与全脑其他所有脑区的功能连接强度向量。使用一个稀疏化策略，仅保留功能连接强度绝对值前20%的边，构建稀疏邻接矩阵，以凸显强连接并减少噪声。每个被试的大脑功能网络被表示为一个图G=（V，E，X），其中V是脑区节点集合，E是脑区连接边集合，X是临床表征节点的特征矩阵。

1.3 关键枢纽脑区识别

采用组间统计学检验（独立样本t检验），筛选出ASD与TD间差异显著的脑功能连接（P＜0.05，FDR校正），并根据连接拓扑特征，以度中心性作为脑区的重要性指标。相关分析在Python 3.9中进行，主要工具包括Nilearn、Scipy和Sklearn等。

1.4 GCN/GAT模型架构

本研究团队设计了一个多模态GCN模型，并通过注意力机制的引入，实现图注意力网络（graph attention network，GAT）的构建。其核心结构如下：

1.4.1 图卷积层采用2层GCNConv，第一层将节点特征从400维映射到128维，第二层再次映射到64维。使用ReLU激活函数和Dropout（P=0.6）以防止过拟合。对于GAT模型，使用GATConv替换GCNCov，即完成注意力机制的引入。

1.4.2 全局池化层对学习到的节点嵌入进行全局平均池化（global mean pooling），得到一个1×64维的图级表示向量，用于代表整个大脑网络的状态。

1.4.3 多模态融合层将图级表示向量与表型数据向量（包括PIQ、VIQ、FIQ）进行拼接，获得多模态数据的嵌入表示。

1.4.4 分类器将融合后的特征输入全连接层，获得最终的二分类输出。采用Softmax函数计算类别概率，使用交叉熵损失函数进行优化，并通过Adam算法更新网络参数。

1.5 可解释性分析

结合注意力权重对脑区重要性进行排序，并通过脑图谱及统计图表的绘制来可视化模型决策过程中关注的重点脑区和功能连接，从而为进一步的科学内涵阐释提供参考。

1.6 实验设置

通过对隐藏层大小（128，64，32），学习率（0.001，0.000 5，0.000 1）及Dropout（0.6，0.4，0.2）值的动态调整，根据模型表现选取最佳参数设置。将原始数据按照8︰2比例随机划分为训练集和测试集，采用10-fold分层交叉验证评估模型性能。我们将GAT模型与未引入注意力机制的GCN模型以及SVM和RF等传统机器学习基线模型进行对比。性能评价指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-Score）和受试者操作特征曲线下面积（area under the curve，AUC）。

2 结果

2.1 描述性统计

本研究最终共纳入临床数据925例（含ASD患者429例及典型发育组496例），磁共振影像采集平均年龄约为17.2岁，见表1。从包括韦氏量表、社交反应量表（Social Responsiveness Scale，SRS）、Vineland适应行为量表（Vineland Adaptive Behavior Scale）及孤独症诊断观察量表（Autism Diagnostic Observation Scale，ADOS）在内的多种临床量表测评结果可以看出，ASD组的社交能力、语言能力平均水平低于典型发育组，且各维度测评结局的标准差较大，提示组内呈现较大的异质性，这与既往研究报道相符^［18-19］。

表1 样本特征描述性统计表

特征	典型发育组	孤独症谱系障碍组
性别(男/女)	405/91	377/51
采集年龄/岁	17.256(7.730)	17.277(7.766)
韦氏量表总智商（FIQ）	111.828(12.323)	105.375(16.309)
韦氏量表言语智商（VIQ）	111.498(12.731)	103.745(17.795)
韦氏量表操作智商（PIQ）	107.794(12.875)	105.372(16.577)
社交反应量表-意识评分（SRS-Awareness）	5.294(3.234)	10.207(3.519)
社交反应量表-认知评分（SRS-Congition）	5.677(4.300)	16(6.403)
社交反应量表-交流评分（SRS-Communication）	11.138(7.567)	27.241(10.480)
社交反应量表-动机评分（SRS-Motivation）	6.065(4.366)	16.310(6.083)
社交反应量表-行为评分（SRS-Mannerisms）	5.808(3.868)	14.414(5.791)
社交反应量表-总分（SRS-Total）	14.414(5.791)	24.647(19.389)
适应行为量表-沟通（VINELAND-Communication）	/	77.79(14.938)
适应行为量表-日常技能（VINELAND-Daily）	/	82.903(14.4)
适应行为量表-社会化（VINELAND-Social）	/	73.274(18.023)
适应行为量表-综合（VINELAND-ABC）	/	79.322(26.427)
适应行为量表-总分（VINELAND-Sum）	/	236(40.048)
孤独症诊断观察量表-社交（ADOS-Social）	/	8.253(2.747)
孤独症诊断观察量表-刻板行为（ADOS-Stereotyped Behavior）	/	2.576(1.381)
孤独症诊断观察量表-交流（ADOS-Communication）	/	3.946(1.509)
孤独症诊断观察量表-总分（ADOS-Total）	/	12.094(3.785)

2.2 功能连接组差异分析

通过连接组特征的组间对比分析发现共6 962个脑区功能连接的组间差异具有统计学意义（P＜0.05），其中孤独症组的6 397个脑区功能连接均值低于对照组，提示孤独症组的脑区连接普遍弱于对照组。

2.3 诊断模型性能分析

表2及图1展示了GAT、GCN模型和基线模型SVM、RF在测试集上的诊断分类性能，其中GAT模型的性能优于其他基线模型（Accuracy=0.710，Precision=0.709，Recall=0.780，F1=0.743，AUC=0.746）。

表2 不同模型在ABIDE数据集上的分类性能比较

模型	准确率	精确率	召回率	F1	曲线下面积
GAT	0.710	0.709	0.780	0.743	0.746
GCN	0.674	0.708	0.680	0.694	0.726
SVM	0.630	0.742	0.470	0.575	0.630
RF	0.620	0.621	0.735	0.673	0.676

图 1 4 种 ASD 诊断模型的 ROC 曲线

2.4 注意力机制与模型结果解释

如图2所示，通过注意力权重可视化可以发现模型主要依赖的10个脑区节点：LH_DorsAttn_Post_1（0.536），RH_DorsAttn_Post_1（0.466），RH_Limbic_TempPole_4（0.383），RH_Default_Temp_1（0.371），LH_Limbic_TempPole_6（0.353），RH_Limb_TempPole_3（0.348），LH_Vis_3（0.338），RH_Limbic_TempPole_1（0.318），LH_SomMot_36（0.316），RH_Limbic_TempPole_2（0.298）。其中左、右背侧注意网络（dorsal attention network）、边缘系统-颞极（limbic-temporal pole）即默认模式网络（default mode network）均具有较高的重要性，并与感觉整合及运动功能有密切关联。结合功能连接组差异分析，ASD组中各脑区节点的功能连接普遍降低。

图 2 ASD 诊断模型中注意力权重最高的 10 个脑区

3 讨论

本研究基于图卷积网络并引入图注意力机制构建了ASD的自动诊断模型，并初步验证了其性能。GAT模型在实验数据中对于ASD的诊断准确率达到0.710，这一结果与当前已发表的其他基于深度学习的ASD诊断模型相当，且优于传统的机器学习模型^［7，20］。分析结果也体现了图卷积网络架构的优势。一方面，模型能够端到端地学习大脑网络的拓扑结构特征，避免了手工特征提取的偏差，且对复杂的非线性关系有更强的捕捉能力。另一方面，以图谱形式实现智商等临床表征与影像学特征的多模态数据融合，保证了所发现的神经标志物是独立于智商差异的、ASD特异的改变。此外，模型内置的注意力机制为我们提供了有效的实践路径，用以探索模型决策所依赖的关键变量，为进一步的ASD神经机制探索提供基础。

模型可解释性分析显示，背侧注意网络的两个节点被赋予了最高的诊断权重。该网络负责目标导向、自上而下的高级认知控制，包括注意力分配、任务切换等^［21］。其在模型中的核心地位，与ASD个体普遍表现出的执行功能缺陷、刻板行为、注意灵活性不足等临床特征高度吻合。这一结果提示ASD与TD在高级认知控制系统的效率与协调性方面的差异。其次，边缘系统，尤其是颞极的多个节点在排名中占据了主导地位。边缘系统是情绪处理、动机、社会行为和记忆整合的核心枢纽。颞极更具体地涉及社会认知、情绪调节和面孔识别^［22-23］。这些节点对应了ASD的社会交往与情感互动缺陷。值得注意的是，这些边缘系统节点呈现出明显的右侧化倾向，这与右侧半球在处理非语言、直觉性情感信息方面的优势功能相一致，进一步揭示了ASD社会情感缺陷的潜在神经基础。此外，与既往报道相符，由于默认模式网络在自我参照思维和心理理论中扮演关键角色，它的异常已被多次证实与ASD患者的社交障碍相关^［24］。最后，感觉处理异常相关节点在模型中的重要性，提示了基础感觉输入异常导致其更高层次认知和行为障碍的可能性^［25］。

综上所述，我们的GAT揭示了一个清晰的、具有层级结构的ASD神经病理模型：高级认知控制网络的异常可能构成了最核心的缺陷，进而影响了下游的社会情感处理网络的功能，并与底层的感觉处理异常共同构成了ASD的完整神经表型。这也进一步表明，ASD并非一个局限于单一脑区的疾病，而是一个影响多个大规模功能网络协同作用的全脑连接性疾病。

此外，本研究工作也存在一定的局限性。首先，由于本研究仍使用静态功能连接，难以体现大脑连接的时变特性。下一步工作中，将通过动态图神经网络的构建捕捉不同时间或任务状态下功能连接网络的变化。其次，由于数据集由多个研究中心在不同阶段采集的数据整合而成，研究方案设计与执行的差异，导致临床表型采集的数据维度及完整性存在一定差异，进一步影响了表型数据的整合分析。这一现象也提示了针对ASD临床表现的异质性，设计标准化的临床全面测评工具的必要性和紧迫性。最后，由于样本数量、采集年龄差异性等因素的影响，本研究模型的性能及其揭示的脑区重要性仍需进一步验证。

本研究构建了一个基于GCN的多模态ASD诊断模型，并通过可解释性分析揭示了ASD相关的关键功能障碍脑网络，为揭示ASD的神经机制提供了新的线索。基于知识图谱与图神经网络进行多模态证据的整合与应用的研究思路也为复杂疾病的病理机制探索及临床个性化诊疗决策提供了新的实践路径。

1、CRUZ%E2%80%83PUERTO%E2%80%83M%EF%BC%8CSAND%C3%8DN%E2%80%83V%C3%81ZQUEZ%E2%80%83M%EF%BC%8E%0AUnderstanding%E2%80%83%20heterogeneity%E2%80%83within%E2%80%83autism%E2%80%83%20spectrum%E2%80%83%0Adisorder%EF%BC%9AA%E2%80%83scoping%E2%80%83review%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAdv%E2%80%83Autism%EF%BC%8C%0A2024%EF%BC%8C10%EF%BC%884%EF%BC%89%EF%BC%9A314-322%EF%BC%8E

2、FRYE%E2%80%83R%E2%80%83E%EF%BC%8CVASSALL%E2%80%83S%EF%BC%8CKAUR%E2%80%83G%EF%BC%8Cet%E2%80%83al%EF%BC%8EEmerging%E2%80%83%0Abiomarkers%E2%80%83in%E2%80%83autism%E2%80%83spectrum%E2%80%83disorder%EF%BC%9AA%E2%80%83systematic%E2%80%83%0Areview%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAnn%E2%80%83Transl%E2%80%83Med%EF%BC%8C2019%EF%BC%8C7%EF%BC%8823%EF%BC%89%EF%BC%9A%0A792%EF%BC%8E

3、%E2%80%83%20HAGHIGHAT%E2%80%83H%EF%BC%8CMIRZAREZAEE%E2%80%83M%EF%BC%8CARAABI%E2%80%83%0AB%E2%80%83N%EF%BC%8Cet%E2%80%83al%EF%BC%8EFunctional%E2%80%83%20networks%E2%80%83%20abnormalities%E2%80%83in%E2%80%83%0Aautism%E2%80%83spectrum%E2%80%83disorder%EF%BC%9AAge-related%E2%80%83hypo%E2%80%83and%E2%80%83hyper%E2%80%83%0Aconnectivity%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBrain%E2%80%83Topogr%EF%BC%8C2021%EF%BC%8C34%EF%BC%883%EF%BC%89%EF%BC%9A%0A306-322%EF%BC%8E

4、张淑婷，韩超，徐靖尧，等．自闭症的神经影像学研究进展［J］．磁共振成像，2025，16（7）：91-96，128．

5、NOMURA%E2%80%83J%EF%BC%8CMARDO%E2%80%83M%EF%BC%8CTAKUMI%E2%80%83T%EF%BC%8EMolecular%E2%80%83%0Asignatures%E2%80%83from%E2%80%83multi%E2%80%90omics%E2%80%83%20of%E2%80%83%20autism%E2%80%83%20spectrum%E2%80%83%0Adisorders%E2%80%83and%E2%80%83schizophrenia%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Neurochem%EF%BC%8C%0A2021%EF%BC%8C159%EF%BC%884%EF%BC%89%EF%BC%9A647-659%EF%BC%8E

6、TANG%E2%80%83X%EF%BC%8CFENG%E2%80%83C%EF%BC%8CZHAO%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EA%E2%80%83%20study%E2%80%83%20of%E2%80%83%0Agenetic%E2%80%83%20heterogeneity%E2%80%83in%E2%80%83%20autism%E2%80%83%20spectrum%E2%80%83%20disorders%E2%80%83%0Abased%E2%80%83on%E2%80%83plasma%E2%80%83proteomic%E2%80%83and%E2%80%83metabolomic%E2%80%83analysis%EF%BC%9A%0AMultiomics%E2%80%83study%E2%80%83of%E2%80%83autism%E2%80%83heterogeneity%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AMedComm%EF%BC%882020%EF%BC%89%EF%BC%8C2023%EF%BC%8C4%EF%BC%885%EF%BC%89%EF%BC%9Ae380%EF%BC%8E

7、IYORTSUUN%E2%80%83N%E2%80%83K%EF%BC%8CKIM%E2%80%83S%E2%80%83H%EF%BC%8CJHON%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AA%E2%80%83%20review%E2%80%83%20of%E2%80%83%20machine%E2%80%83%20learning%E2%80%83%20and%E2%80%83%20deep%E2%80%83%20learning%E2%80%83%0Aapproaches%E2%80%83on%E2%80%83mental%E2%80%83health%E2%80%83diagnosis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AHealthcare%EF%BC%88Basel%EF%BC%89%EF%BC%8C2023%EF%BC%8C11%EF%BC%883%EF%BC%89%EF%BC%9A285%EF%BC%8E

8、KARAMPASI%E2%80%83A%EF%BC%8CKAKKOS%E2%80%83I%EF%BC%8CMILOULIS%E2%80%83S-T%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AA%E2%80%83machine%E2%80%83learning%E2%80%83fMRI%E2%80%83approach%E2%80%83in%E2%80%83the%E2%80%83diagnosis%E2%80%83of%E2%80%83%0Aautism%EF%BC%BBC%EF%BC%BD%2F%2F2020%E2%80%83%20IEEE%E2%80%83%20International%E2%80%83Conference%E2%80%83on%E2%80%83%0ABig%E2%80%83Data%EF%BC%88Big%E2%80%83Data%EF%BC%89%EF%BC%8CDecember%E2%80%8310-13%EF%BC%8C2020%EF%BC%8C%0AAtlanta%EF%BC%8CGA%EF%BC%8CUSA%EF%BC%8EIEEE%EF%BC%8C2020%EF%BC%9A3628-3631%EF%BC%8E

9、LIU%E2%80%83M%EF%BC%8CLI%E2%80%83B%EF%BC%8CHU%E2%80%83D%EF%BC%8EAutism%E2%80%83%20spectrum%E2%80%83%20disorder%E2%80%83%0Astudies%E2%80%83using%E2%80%83fMRI%E2%80%83data%E2%80%83and%E2%80%83machine%E2%80%83learning%EF%BC%9AA%E2%80%83%0Areview%EF%BC%BBJ%EF%BC%BD%EF%BC%8EFront%E2%80%83Neurosci%EF%BC%8C2021%EF%BC%8815%EF%BC%89%EF%BC%9A697870%EF%BC%8E

10、SQUIRES%E2%80%83M%EF%BC%8CTAO%E2%80%83X%EF%BC%8CELANGOVAN%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADeep%E2%80%83learning%E2%80%83and%E2%80%83machine%E2%80%83learning%E2%80%83in%E2%80%83psychiatry%EF%BC%9A%0AA%E2%80%83survey%E2%80%83of%E2%80%83current%E2%80%83progress%E2%80%83in%E2%80%83depression%E2%80%83detection%EF%BC%8C%0Adiagnosis%E2%80%83and%E2%80%83treatment%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBrain%E2%80%83Inform%EF%BC%8C2023%EF%BC%8C%0A10%EF%BC%881%EF%BC%89%EF%BC%9A10%EF%BC%8E

11、%E6%9D%8E%E6%98%95%EF%BC%8C%E7%BD%97%E5%AD%90%E6%81%92%EF%BC%8C%E6%AC%A7%E9%98%B3%E6%A8%B1%E5%90%9B%EF%BC%8C%E7%AD%89%EF%BC%8E%E8%87%AA%E9%97%AD%E7%97%87%E8%B0%B1%E7%B3%BB%E9%9A%9C%E7%A2%8D%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E6%97%A9%E6%9C%9F%E8%AF%8A%E6%96%AD%E7%A0%94%E7%A9%B6%E8%BF%9B%E5%B1%95%E4%B8%8E%E6%8C%91%EF%BC%BBJ%2FOL%EF%BC%BD%EF%BC%8E%E5%B9%BF%E5%B7%9E%E5%8C%BB%E8%8D%AF%EF%BC%8C1-11%EF%BC%BB2025-10-24%EF%BC%BD%EF%BC%8Ehttps%EF%BC%9A%2F%2Flink.%E2%80%83cnki.%E2%80%83net%2Furlid%2F44.%E2%80%831199%EF%BC%8Er%EF%BC%8E20250519.%E2%80%830856.%E2%80%83004%EF%BC%8E

12、%E2%80%83%20OSAMA%E2%80%83A%EF%BC%8CANWAR%E2%80%83A%E2%80%83M%EF%BC%8CEZZELDIN%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AIntegrative%E2%80%83multi-omics%E2%80%83analysis%E2%80%83of%E2%80%83autism%E2%80%83%20spectrum%E2%80%83%0Adisorder%E2%80%83%20reveals%E2%80%83%20unique%E2%80%83%20microbial%E2%80%83%20macromolecules%E2%80%83%0Ainteractions%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Adv%E2%80%83Res%EF%BC%8C2025%EF%BC%8877%EF%BC%89%EF%BC%9A265-%0A279%EF%BC%8E

13、顾剑，钱育蓉，王兰兰，等．人工智能在功能磁共振成像数据中的自闭症研究综述［J］．计算机工程与应用，2023，59（22）：57-68．

14、TIAN%E2%80%83A%EF%BC%8CZHANG%E2%80%83C%EF%BC%8CRANG%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8ERA-GCN%EF%BC%9A%0ARelational%E2%80%83%20aggregation%E2%80%83%20graph%E2%80%83%20convolutional%E2%80%83%20network%E2%80%83%0Afor%E2%80%83knowledge%E2%80%83graph%E2%80%83completion%EF%BC%BBC%EF%BC%BD%2F%2FProceedings%E2%80%83%0Aof%E2%80%83the%E2%80%832020%E2%80%8312th%E2%80%83%20International%E2%80%83Conference%E2%80%83on%E2%80%83Machine%E2%80%83%0ALearning%E2%80%83and%E2%80%83Computing%EF%BC%8CShenzhen%EF%BC%8CChina%EF%BC%8CACM%EF%BC%8C%0A2020%EF%BC%9A580-586%EF%BC%8E

15、DI%E2%80%83MARTINO%E2%80%83A%EF%BC%8CYAN%E2%80%83C%E2%80%83G%EF%BC%8CLI%E2%80%83Q%EF%BC%8Cet%E2%80%83al%EF%BC%8EThe%E2%80%83autism%E2%80%83%0Abrain%E2%80%83imaging%E2%80%83data%E2%80%83exchange%EF%BC%9ATowards%E2%80%83a%E2%80%83large-scale%E2%80%83%0Aevaluation%E2%80%83of%E2%80%83the%E2%80%83intrinsic%E2%80%83brain%E2%80%83architecture%E2%80%83in%E2%80%83autism%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMol%E2%80%83Psychiatry%EF%BC%8C2014%EF%BC%8C19%EF%BC%886%EF%BC%89%EF%BC%9A659-667%EF%BC%8E

16、%E2%80%83%20YAN%E2%80%83C%E2%80%83G%EF%BC%8CZANG%E2%80%83Y%E2%80%83F%EF%BC%8EDPARSF%EF%BC%9AA%E2%80%83%20MATLAB%E2%80%83%0Atoolbox%E2%80%83for%E2%80%83%E2%80%9Cpipeline%E2%80%9D%E2%80%83data%E2%80%83analysis%E2%80%83of%E2%80%83%20resting-state%E2%80%83%0AfMRI%EF%BC%BBJ%EF%BC%BD%EF%BC%8EFront%E2%80%83Syst%E2%80%83Neurosci%EF%BC%8C2010%EF%BC%884%EF%BC%89%EF%BC%9A13%EF%BC%8E

17、%E2%80%83%20SCHAEFER%E2%80%83A%EF%BC%8CKONG%E2%80%83R%EF%BC%8CGORDON%E2%80%83E%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ALocal-global%E2%80%83parcellation%E2%80%83of%E2%80%83the%E2%80%83human%E2%80%83cerebral%E2%80%83cortex%E2%80%83%0Afrom%E2%80%83intrinsic%E2%80%83functional%E2%80%83connectivity%E2%80%83MRI%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ACereb%E2%80%83Cortex%EF%BC%8C2018%EF%BC%8C28%EF%BC%889%EF%BC%89%EF%BC%9A3095-3114%EF%BC%8E

18、MOTTRON%E2%80%83L%EF%BC%8CBZDOK%E2%80%83D%EF%BC%8EA%20uti%20sm%E2%80%83%20s%20p%20e%20ct%20r%20um%E2%80%83%0Aheterogeneity%EF%BC%9AFact%E2%80%83or%E2%80%83artifact%E2%80%83%E2%80%83%20%EF%BC%BBJ%EF%BC%BD%EF%BC%8EM%20ol%E2%80%83%0APsychiatry%EF%BC%8C2020%EF%BC%8C25%EF%BC%8812%EF%BC%89%EF%BC%9A3178-3185%EF%BC%8E

19、ZHANG%E2%80%83J%EF%BC%8CFANG%E2%80%83S%EF%BC%8CYAO%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EParsing%E2%80%83the%E2%80%83%0Aheterogeneity%E2%80%83of%E2%80%83brain-symptom%E2%80%83associations%E2%80%83in%E2%80%83autism%E2%80%83%0Aspectrum%E2%80%83disorder%E2%80%83via%E2%80%83random%E2%80%83forest%E2%80%83with%E2%80%83homogeneous%E2%80%83%0Acanonical%E2%80%83correlation%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Affect%E2%80%83Disord%EF%BC%8C2023%0A%EF%BC%88335%EF%BC%89%EF%BC%9A36-43%EF%BC%8E

20、%E2%80%83%20JIANG%E2%80%83H%EF%BC%8CCAO%E2%80%83P%EF%BC%8CXU%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8EHi-GCN%EF%BC%9A%0AA%E2%80%83%20hierarchical%E2%80%83%20graph%E2%80%83%20convolution%E2%80%83%20network%E2%80%83for%E2%80%83%20graph%E2%80%83%0Aembedding%E2%80%83%20learning%E2%80%83%20of%E2%80%83%20brain%E2%80%83%20network%E2%80%83%20and%E2%80%83%20brain%E2%80%83%0Adisorders%E2%80%83prediction%EF%BC%BBJ%EF%BC%BD%EF%BC%8EComput%E2%80%83Biol%E2%80%83Med%EF%BC%8C2020%0A%EF%BC%88127%EF%BC%89%EF%BC%9A104096%EF%BC%8E

21、%E2%80%83%20FITZGERALD%E2%80%83J%EF%BC%8CJOHNSON%E2%80%83K%EF%BC%8CKEHOE%E2%80%83E%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADisrupted%E2%80%83functional%E2%80%83connectivity%E2%80%83in%E2%80%83dorsal%E2%80%83and%E2%80%83ventral%E2%80%83%0Aattention%E2%80%83networks%E2%80%83during%E2%80%83attention%E2%80%83orienting%E2%80%83in%E2%80%83autism%E2%80%83spectrum%E2%80%83disorders%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAutism%E2%80%83Res%EF%BC%8C2015%EF%BC%8C8%0A%EF%BC%882%EF%BC%89%EF%BC%9A136-152%EF%BC%8E

22、ZAHN%E2%80%83R%EF%BC%8CMOLL%E2%80%83J%EF%BC%8CKRUEGER%E2%80%83F%EF%BC%8Cet%E2%80%83al%EF%BC%8ESocial%E2%80%83%0Aconcepts%E2%80%83%20are%E2%80%83%20represented%E2%80%83in%E2%80%83the%E2%80%83%20superior%E2%80%83%20anterior%E2%80%83%0Atemporal%E2%80%83cortex%EF%BC%BBJ%EF%BC%BD%EF%BC%8EProc%E2%80%83Natl%E2%80%83Acad%E2%80%83Sci%E2%80%83USA%EF%BC%8C%0A2007%EF%BC%8C104%EF%BC%8815%EF%BC%89%EF%BC%9A6430-6435%EF%BC%8E

23、%E2%80%83%20OLSON%E2%80%83I%E2%80%83R%EF%BC%8CPLOTZKER%E2%80%83A%EF%BC%8CEZZYAT%E2%80%83Y%EF%BC%8EThe%E2%80%83%0AEnigmatic%E2%80%83temporal%E2%80%83pole%EF%BC%9AA%E2%80%83%20review%E2%80%83%20of%E2%80%83findings%E2%80%83%20on%E2%80%83%0Asocial%E2%80%83and%E2%80%83emotional%E2%80%83processing%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBrain%EF%BC%8C2007%EF%BC%8C130%EF%BC%88Pt%E2%80%837%EF%BC%89%EF%BC%9A1718-1731%EF%BC%8E

24、%E2%80%83%20SHELINE%E2%80%83Y%E2%80%83I%EF%BC%8CBARCH%E2%80%83D%E2%80%83M%EF%BC%8CPRICE%E2%80%83J%E2%80%83L%EF%BC%8Cet%E2%80%83al%EF%BC%8EThe%E2%80%83%0Adefault%E2%80%83mode%E2%80%83network%E2%80%83and%E2%80%83self-referential%E2%80%83processes%E2%80%83in%E2%80%83%0Adepression%EF%BC%BBJ%EF%BC%BD%EF%BC%8EProc%E2%80%83Natl%E2%80%83Acad%E2%80%83Sci%E2%80%83USA%EF%BC%8C2009%EF%BC%8C%0A106%EF%BC%886%EF%BC%89%EF%BC%9A1942-1947%EF%BC%8E

25、%E2%80%83%20POSAR%E2%80%83A%EF%BC%8CVISCONTI%E2%80%83P%EF%BC%8ESensory%E2%80%83%20abnormalities%E2%80%83%0Ain%E2%80%83children%E2%80%83with%E2%80%83autism%E2%80%83spectrum%E2%80%83disorder%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83%0APediatr%EF%BC%88Rio%E2%80%83J%EF%BC%89%EF%BC%8C2018%EF%BC%8C94%EF%BC%884%EF%BC%89%EF%BC%9A342-350%EF%BC%8E

1、国家自然科学基金（82004256）；广东省基础与应用基础研究基金（2023A1515011432）()