机器增强的功能连接组重建揭示了健康与疾病中可区分的大脑子系统

这项研究为何重要

自闭症与大脑区域之间通讯方式的差异有关，但常规的脑成像常常会模糊这些模式。本研究表明，将脑影像与现代机器学习相结合可以揭示大脑中隐藏的通信通路，从而更好地区分自闭症与神经典型个体，为脑疾病研究打开新途径。

把脑活动看作一个网络

作者从一个简单的想法出发：可以把大脑看作一个庞大的网络，区域如同城市，彼此间的通讯连接如同道路。利用功能性磁共振成像，他们记录人在静息时数百个脑区随时间的波动。他们不只记录两个区域是否相关，而是将这些关系组织成多层网络，捕捉不同频率带的活动，就像把音乐分成低音、中频和高音通道一样。这种更丰富的图景保留了关于大脑系统如何跨时间尺度协同的细节。

从原始扫描到最具判别力的连接

传统方法通过基于固定统计阈值保留最强的成对连接来修剪大脑网络。然而，这种方法将每个连接孤立对待，可能错过由若干较弱连接协同形成的有意义模式。研究者提出了一种不同路径，称为功能性修剪。他们首先构建已通过严格统计程序清理的频段特异性大脑网络，然后将这些网络输入到基于图的深度学习模型，模型仅从连接模式学习将每个人分类为自闭症或神经典型。

让机器突出关键子系统

当模型学会区分两组后，团队使用可解释的人工智能工具来询问哪些连接对其决策最重要。该工具为网络中的每条连接分配重要性得分。通过逐步移除低得分的连接，他们发现当超过90％的连接被丢弃时，模型仍能工作，且在某个修剪水平上准确率反而提高。剩余的连接形成紧凑的脑区子系统，这些区域的集体共激活对判断个体是否有自闭症尤其具有信息性。换言之，功能性修剪偏好协同工作的连接组，而非单一显著的链接。

在自闭症中揭示了哪些变化

利用这些修剪后的网络，研究者运用网络科学工具比较自闭症与神经典型对照。他们发现，经过功能性修剪后，若干网络测量在两组间可靠地不同，而原始未修剪网络则未显示出有意义的差异。在自闭症组中，大脑子系统平均具有更多连接并形成更紧密的簇，暗示过度连接的模式。这些变化在特定的大尺度系统中尤为显著，包括默认模式网络、额顶控制区、视觉区、躯体感觉区以及丘脑等皮下结构，并且在某些低频脑活动带中特别明显。

重组大脑的通信图谱

除了更强的连接性之外，自闭症个体的大脑展现出不同的大尺度组织结构。当团队检查整个脑系统如何聚类时，他们观察到涉及内部思维、感觉加工和控制功能的网络在自闭症中聚合方式不同。例如，某些控制与显著性系统（帮助大脑决定何为重要信息）与其他子系统的关系发生了变化。这表明自闭症不仅涉及特定回路内连接增强，也涉及脑系统在层级上更广泛的重塑。

这对理解脑疾病意味着什么

通过将功能性磁共振、基于图的深度学习和可解释 AI 结合，本研究表明检查连接的集合模式可以揭示自闭症与神经典型大脑之间微妙但可靠的差异。功能性修剪不依赖单个连接的任意阈值，而是关注最能区分健康与疾病的连接集合。尽管本研究聚焦于自闭症，这一策略同样可应用于其他脑部状况，更广泛地可用于任何我们能记录多重活动信号但尚不清楚底层连线细节的复杂系统。

引用: Grassia, M., d’Andrea, V., Finc, K. et al. Machine-enhanced reconstruction of functional connectomes unravels discriminative brain sub-systems in health and disease. Sci Rep 16, 16173 (2026). https://doi.org/10.1038/s41598-026-47391-z

关键词: 自闭症, 大脑连接性, 功能性磁共振成像, 机器学习, 图神经网络