一种识别孤独症诊断生物标志物的方法

本发明涉及一种识别孤独症诊断生物标志物的方法，属于计算机应用。

背景技术：

1、孤独症谱系障碍是一种复杂且具有高度异质性的神经发育障碍。及时并精准地识别孤独症有助于对患者进行有针对性的干预，从而减少他们所面临的压力和负担。目前孤独症的诊断方法依赖于较为低效且具有一定主观性的量表评估。因此研究客观的诊断生物标志物尤为重要。基于大脑有效连接识别孤独症诊断生物标志物是常用方法。

2、常用于计算孤独症患者大脑有效连接的方法包括：granger因果模型、动态因果模型、熵等。sato等人(《impaired social brain network for processing dynamic facialexpressions in autism spectrum disorders》.bmc neuroscience,2012,13,1-17.)使用动态因果模型来构建大脑网络。研究显示，与正常对照组相比，在动态和静态面部表情的反应中，孤独症组的颞中回、梭状回、杏仁核、内侧前额叶皮层和额下回等大脑区域的激活减少。但是动态因果模型高度依赖先验知识，因此得到的因果关系正确性与先验知识相关。bernas等人(《brain resting state networks in adolescents with high functioningautism:analysis of spatial connectivity and temporal neurodynamics》.brain andbehavior,2018,8(2),e00878.)利用granger因果分析来构建大脑网络，发现孤独症患者源自颞叶和前额叶皮层的因果关系存在显著差异。然而，granger因果值越大并不一定意味着真正的因果关系越强。zhao等人(《changes of entropy connectivity of the defaultmode and central executive networks in asd》.research square,2021)利用熵连通性发现，在孤独症组中，从右侧背外侧前额叶皮质到左侧缘上回的因果连通性减弱，而从右侧背侧额叶皮层到左侧梨状皮层的因果连通性增强。但熵的计算需要长时间序列并且计算复杂。cong等人(《altered default mode network causal connectivity patterns inautism spectrum disorder revealed by liang information flow analysis》.humanbrain mapping,2023,44(6),2279-2293.)通过梁氏信息流观察到孤独症患者涉及背侧和腹侧内侧前额叶皮层、海马形成和颞顶交界处的区域间因果连接差异增加。在处理较大变量集的情况下，梁氏信息流则表现出有限的性能。

3、因此，目前基于因果模型识别孤独症诊断生物标志物的方法依旧存在准确率较低、计算量大等问题，限制了孤独症识别的综合性能。

技术实现思路

1、为了提升孤独症诊断生物标志物的识别准确率，本发明提供了一种识别孤独症诊断生物标志物的方法，包括：

2、步骤1：获取被试者的bold信号，利用pcmci算法对所述bold信号进行处理，计算大脑中每一对脑区之间的因果关系，为被试者构建因果脑网络；

3、步骤2：从所述因果脑网络中提取显著差异因果连接；

4、步骤3：将所述显著差异因果连接输入支持向量机分类模型，得到孤独症诊断生物标志物识别结果；

5、所述显著差异因果连接通过双样本t检验比较孤独症组和正常对照组之间每一对脑区的因果关系是否存在显著差异而得到。

6、可选的，所述步骤1包括：

7、步骤11：将被试者的bold信号x＝(x1,…,xi,…,xj,…,xn)′看作是一个多变量离散时间随机过程，(*)′表示矩阵转置，脑区i的bold信号是n为脑区数量，i和j表示脑区序号，t表示时间；

8、x的时间序列图定义为g＝(x×z,e)，图中的节点是由每个t∈z上的独立的时间相关脑区变量x＝(x1,x2,…,x116)′构成的；表示当前时间的过程，表示过去时间的过程，初始化脑区变量的因果父节点集合τmax表示滞后τ可以选取的最大值；

9、步骤12：在第一次迭代中，使用偏相关进行无条件独立性检验，若和不独立(τ表示滞后，可以取值0,1,…,τmax)，则将从中删除，然后根据检验统计值对中脑区变量排序，表示中除外统计值最大的k个脑区变量所构成的集合，其中，k从1取到最大值，最大值的理论值为中除外的元素个数，同时k还可以表示迭代次数和中元素个数。

10、在之后的每一次迭代中，利用更新后的作为条件集，使用偏相关进行条件独立性检验将不满足独立条件的脑区变量从中删除，直到不能测试更多的条件，输出

11、步骤13：在步骤12中，得到了的估计定义为集合中全部脑区变量平移时间τ后构成的集合，然后使用偏相关进行条件独立性检验在这里估计了脑区间因果关系的p值以及检验统计量，若p值<0.05，则认为因果关系存在(即是的因果父节点)，否则不存在；

12、上述步骤使用pcmci算法估计每一个脑区的因果父节点，并由检验统计量给出每一个因果父节点和该脑区之间的因果关系强度；

13、步骤14：以脑区为节点，因果关系为边，因果关系强度为边权，构建加权有向因果脑网络。

14、可选的，所述显著差异因果连接的筛选过程包括：

15、步骤21：在因果脑网络中，对于每一对大脑区域之间的因果连接，分别计算孤独症组和正常对照组的均值，然后进行双样本t检验，检验这两组在该因果连接上的均值是否存在显著差异，将所有因果连接的双样本t检验p值从小到大排序，选出每种滞后p值最小的m条因果连接作为存在显著差异的因果连接；

16、步骤22：针对存在显著差异的因果连接，用孤独症组中的均值减去正常对照组中对应脑区对的因果连接的均值，从而得到这些存在显著差异因果连接的强度变化。

17、可选的，所述步骤11中的τmax设置为2。

18、可选的，所述支持向量机的训练过程包括：

19、步骤31：从每个被试的因果脑网络中选出所述显著差异因果连接，作为识别孤独症的特征向量；

20、步骤32：将特征向量作为输入，训练支持向量机分类器，并采用网格搜索方法，以准确度为评价指标评估分类模型有效性，寻找最优的支持向量机参数；

21、步骤33：设定支持向量机的参数为所述步骤32得到的最优值，从而得到训练好的分类模型。

22、可选的，所述支持向量机参数包括核函数kernel、惩罚系数c、核函数系数gamma和多项式核函数的次数degree。

23、本发明的第二个目的在于提供一种识别孤独症诊断生物标志物的系统，所述系统用于实现上述任一项所述的方法，所述系统包括：

24、因果脑网络构建模块，被配置为获取被试者的bold信号，利用pcmci算法对所述bold信号进行处理，计算大脑中每一对脑区之间的因果关系，为被试者构建因果脑网络；

25、显著差异因果连接提取模块，被配置为从所述因果脑网络中提取显著差异因果连接；

26、识别模块，被配置为将所述显著差异因果连接输入支持向量机分类模型，得到孤独症诊断生物标志物识别结果；

27、所述显著差异因果连接通过双样本t检验比较孤独症组和正常对照组之间每一对脑区的因果关系是否存在显著差异而得到。

28、本发明的第三个目的在于提供一种电子设备，包括存储器和处理器；

29、所述存储器，用于存储计算机程序；

30、所述处理器，用于当执行所述计算机程序时，实现如上述任一项所述的方法。

31、本发明的第四个目的在于提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上任一项所述的方法。

32、本发明有益效果是：

33、本发明的孤独症诊断生物标志物识别方法，基于pcmci算法计算脑区间因果关系并构建个体水平的因果脑网络，从因果脑网络中提取出孤独症与正常人之间存在显著差异的因果连接，将这些因果连接作为特征输入支持向量机分类模型进行识别分类，为识别孤独症诊断生物标志物提供了一种新的方法；实验结果证明，本发明训练的孤独症分类模型在准确率、敏感性、特异性、f1值和auc曲线方面都达到了优异的性能，用于孤独症诊断生物标志物识别达到了较高的准确率和识别效率。

34、本发明通过双样本t检验在孤独症组和正常对照组之间进行组间分析，从而确定存在显著差异的因果连接，将这些因果连接作为孤独症的诊断生物标志物，为孤独症识别诊断提供了新的思路。