赵晓琦 赵丽萍 祝承 谭颖

摘  要：目前在针对自闭症的分类研究中，构建阈值连接网络时，大多因不合理的阈值设置而影响最终分类结果。为了避免传统方法阈值选择的问题，文章对自闭症患者的最小生成树脑功能网络进行了研究，报告了正常被试与自闭症患者脑功能连接网络的差异，并设计了基于支持向量机的分类模型，实现对自闭症的分类工作。文中获得的分类准确率达到81.76%，相比于传统方法具有更高的敏感度和特异性。

关键词：最小生成树;自闭症;支持向量机;辅助诊断

中图分类号：TM18                  文献标识码：A文章编号：2096-4706（2021）19-0082-03

Research on Auxiliary Diagnosis of Autism Based on Minimum Spanning Tree

ZHAO Xiaoqi， ZHAO Liping， ZHU Cheng， TAN Ying

（School of Computer Science and Engineering， Southwest Minzu University， Chengdu 610041， China）

Abstract： In current classification studies for autism， the final classification results are mostly affected by unreasonable threshold settings when constructing threshold connectivity networks. In order to avoid the problem of threshold selection by traditional methods， the minimum spanning tree brain function network of autistic patients is studied in this paper， and the differences between the brain function connectivity network of normal subjects and autistic patients are reported， and a support vector machine-based classification model is designed to realize the classification work for autism. The classification accuracy obtained in this paper reaches 81.76%， which has higher sensitivity and specificity compared to traditional methods.

Keywords： minimum spanning tree; autism; support vector machine; auxiliary diagnosis

0  引  言

自閉症（ASD）是一种神经精神疾病，在遗传上高度异质的发育障碍[1]。目前，世界范围内ASD病例的数据正在逐步增加，由于其影响的人数众多，已成为现时代重要的医学难题之一。ASD的症状通常在患病前两年出现，并且长期持续、伴随病人一生，但是及时的治疗可以改善症状。因此，对ASD的早期准确诊断对于制定专门的干预措施至关重要。然而，ASD的病因复杂、症状高度异质，为其诊断带来极大的挑战性。Muetzel等人[2]研究发现，大脑的功能网络是高度可重现的，所以功能磁共振成像（fMRI）成为检查ASD中脑动力学的常用影像学方法之一。Aarthi[3]通过对大脑网络的分析和研究，发现儿童自闭症患者的脑功能网络表现出异常的局部特征。Nielsen等人[4]基于自闭症成像数据中心的fMRI数据，使用皮尔逊相关性提取了7 266个感兴趣区域（ROI）的成对功能连通性，利用线性模型分类器使自闭症患者与健康对照分类的精确度达到60%。……