機(jī)器學(xué)習(xí)方法在fMRI數(shù)據(jù)中的應(yīng)用研究

黃慶坤 賀政剛 楊鵬

摘要：文章通過(guò)機(jī)器學(xué)習(xí)方法對(duì)功能性核磁共振成像（fMRI）數(shù)據(jù)進(jìn)行分類(lèi)研究．旨在探討精神分裂患者的差異性腦網(wǎng)絡(luò)結(jié)構(gòu)。在特征選擇上，采用了復(fù)雜網(wǎng)絡(luò)分析來(lái)度量腦網(wǎng)絡(luò)的拓?fù)鋵傩?，并且以年齡為協(xié)變量通過(guò)雙樣本￡檢驗(yàn)構(gòu)建顯著差異性特征集；在分類(lèi)算法上，采用粒子群優(yōu)化支持向量機(jī)分類(lèi)算法，在10折交叉驗(yàn)證下進(jìn)行建模分析。結(jié)果表明精神分裂患者（SCH）組和正常被試（NC）組在全局屬性和節(jié)點(diǎn)屬性上存在顯著差異，在分類(lèi)模型下能夠得到最佳準(zhǔn)確率93％。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；功能性核磁共振成像；統(tǒng)計(jì)分析；復(fù)雜網(wǎng)絡(luò)

中圖法分類(lèi)號(hào)：TPI83 文獻(xiàn)標(biāo)識(shí)碼：A

１ 引言

人在處理事件或完成某項(xiàng)任務(wù)時(shí)，大腦需要依賴(lài)各個(gè)功能腦區(qū)的相互協(xié)作，盡管在休息時(shí)，大腦仍需要消耗大量的能量來(lái)進(jìn)行信息處理。從各個(gè)功能腦區(qū)相互作用所形成的復(fù)雜腦網(wǎng)絡(luò)這一角度研究大腦，能進(jìn)一步闡述腦內(nèi)信息加工機(jī)制，對(duì)相關(guān)腦疾病診斷具有較大的理論價(jià)值。近年來(lái)，ＦＭＲＩ 技術(shù)已廣泛應(yīng)用于腦功能網(wǎng)絡(luò)的研究，Ｒｕｂｉｎｏｖ 等［１］ 通過(guò)復(fù)雜網(wǎng)絡(luò)分析來(lái)量化大腦網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；Ｗａｎｇ 等［２］ 通過(guò)靜息態(tài)ｆＭＲＩ 數(shù)據(jù)研究腦功能網(wǎng)絡(luò)拓?fù)渲笜?biāo)并對(duì)ＴＲＴ 參數(shù)進(jìn)行評(píng)估；Ｏｎｉａｓ 等［３］ 概述了復(fù)雜網(wǎng)絡(luò)的統(tǒng)計(jì)參數(shù)并對(duì)癲癇患者的腦網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行度量；王靜等［４］ 對(duì)抑郁癥患者大腦的復(fù)雜網(wǎng)絡(luò)研究進(jìn)行綜述等。在先前的研究中［５］ ，研究了大腦感興趣區(qū)域（ＲＯＩ）的功能連接（ＦＣ），將其作為特征向量，通過(guò)ＰＣＡ 算法構(gòu)建特征集并進(jìn)行分類(lèi)實(shí)驗(yàn)，其本質(zhì)上屬于種子點(diǎn)分析法，僅通過(guò)建模分類(lèi)來(lái)說(shuō)明在精神分裂患者中存在差異性腦區(qū)或腦網(wǎng)絡(luò)機(jī)制，但未深入研究大腦網(wǎng)絡(luò)結(jié)構(gòu)的拓?fù)鋵傩砸约案鱾€(gè)節(jié)點(diǎn)之間存在的差異性。對(duì)此，本文首先通過(guò)復(fù)雜網(wǎng)絡(luò)統(tǒng)計(jì)量描述來(lái)度量ＳＣＨ 組與ＮＣ 組的腦網(wǎng)絡(luò)結(jié)構(gòu)；其次將年齡作為協(xié)變量，通過(guò)統(tǒng)計(jì)檢驗(yàn)方法討論精神分裂患者的差異性腦網(wǎng)絡(luò)結(jié)構(gòu)并構(gòu)建特征集；最后使用粒子群優(yōu)化ＳＶＭ 分類(lèi)模型進(jìn)行建模論證，通過(guò)機(jī)器學(xué)習(xí)方法進(jìn)一步解釋精神分裂患者的潛在患病機(jī)理。

２ 相關(guān)理論

２．１ 復(fù)雜網(wǎng)絡(luò)的統(tǒng)計(jì)描述

在大腦中，將以ＲＯＩ 為節(jié)點(diǎn)所構(gòu)成的復(fù)雜網(wǎng)絡(luò)中根據(jù)全局指標(biāo)（Ｇｌｏｂａｌ）和節(jié)點(diǎn)指標(biāo)（Ｎｏｄｅ）作為網(wǎng)絡(luò)度量方法［６］ 。全局指標(biāo)根據(jù)整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)相關(guān)統(tǒng)計(jì)進(jìn)行描述， 具體包括： 聚類(lèi)系數(shù)（ Ｃｌｕｓｔｅｒｉｎｇｃｏｅｆｆｉｃｉｅｎｔ）、最短路徑長(zhǎng)度（Ｓｈｏｒｔｅｓｔ ｐａｔｈ ｌｅｎｇｔｈ）、小世界屬性（Ｓｍａｌｌ ｗｏｒｌｄ）、全局效率（Ｇｌｏｂａｌ ｅｆｆｉｃｉｅｎｃｙ）、同配性（Ａｓｓｏｒｔａｔｉｖｉｔｙ）、同步性（Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ）、層次（Ｈｉｅｒａｒｃｈｙ）系數(shù)［７］ 。節(jié)點(diǎn)指標(biāo)根據(jù)節(jié)點(diǎn)信息進(jìn)行計(jì)算，具體包括：節(jié)點(diǎn)聚類(lèi)系數(shù)、節(jié)點(diǎn)最短路徑長(zhǎng)度、節(jié)點(diǎn)效率（ Ｎｏｄａｌ ｅｆｆｉｃｉｅｎｃｙ ）、度中心性（ ＤｅｇｒｅｅＣｅｎｔｒａｌｉｔｙ）、介數(shù)中心性（Ｂｅｔｗｅｅｎｎｅｓｓ Ｃｅｎｔｒａｌｉｔｙ）。

２．２ 粒子群算法優(yōu)化分類(lèi)

３ 實(shí)驗(yàn)

３．１ 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)基于Ｍａｔｌａｂ 平臺(tái)Ｒ２０２１ａ 版本和Ｐｙｃｈａｒｍ 平臺(tái)２０２１．２ 版本。Ｍａｔｌａｂ 中主要使用的工具箱為ｇｒｅｔｎａｖ２． ０ 版本［８］ 。Ｐｙｃｈａｒｍ 中主要使用Ａｎａｃｏｎｄａ３，ｎｉｌｅａｒｎ０．８．１ 版本，ｓｋｌｅａｒｎ０．２４．２ 版本以及數(shù)據(jù)處理庫(kù)和繪圖庫(kù)等。

３．２ 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于生物醫(yī)學(xué)研究卓越中心提供的精神分裂癥數(shù)據(jù)集，實(shí)驗(yàn)選擇７４ 名ＮＣ 和７２ 名ＳＣＨ的ｒｓ?ｆＭＲＩ（ｆｍｒｉ＿ＸＸＸＸＸＸＸ．ｎｉｉ．ｇｚ）和被試采集記錄構(gòu)建樣本數(shù)據(jù)。通過(guò)校正、標(biāo)準(zhǔn)化、平滑、去線(xiàn)性趨勢(shì)、回歸協(xié)變量、濾波等程序?qū)Γ妫停遥?數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)預(yù)處理。

３．３ 實(shí)驗(yàn)流程

實(shí)驗(yàn)通過(guò)Ｐｙｔｈｏｎ 編程語(yǔ)言進(jìn)行代碼簡(jiǎn)寫(xiě)，如圖１所示。（１） 劃分樣本數(shù)據(jù)。通過(guò)ｃｏｂｒｅ 數(shù)據(jù)集中ｐｈｅｎｏｔｙｐｉｃ＿ｄａｔａ．ｔｓｖ 文件將ｆＭＲＩ 數(shù)據(jù)分為ＮＣ 組（７４名正常被試ＮＣ．ｎｉｉ）和ＳＣＨ 組（７２ 名精神分裂患者ＳＣＨ．ｎｉｉ）２ 類(lèi)，并構(gòu)造類(lèi)別標(biāo)簽集（ＮＣ．ｌａｂｅｌ 和ＳＣＨ．ｌａｂｅｌ）。（２） 全局和節(jié)點(diǎn)網(wǎng)絡(luò)分析。實(shí)驗(yàn)使用解剖學(xué)自動(dòng)標(biāo)記圖譜ＡＬＬ?９０，通過(guò)ｇｒｅｔｎａ 計(jì)算相關(guān)全局與節(jié)點(diǎn)指標(biāo)，具體見(jiàn)２．１ 節(jié)，其中使用Ｎｅｔｗｏｒｋ Ｓｐａｒｓｉｔｙ 閾值法（閾值被定義為實(shí)際連邊數(shù)與最大可能性連邊數(shù)的比率）進(jìn)行篩選，并且與隨機(jī)網(wǎng)絡(luò)進(jìn)行對(duì)比，以確定非隨機(jī)拓?fù)浣Y(jié)構(gòu)，稀疏閾值設(shè)置為［０．０５， ０．１， ０．１５，０．２， ０．２５， ０．３， ０．３５， ０．４， ０．４５， ０．５］。（３）統(tǒng)計(jì)檢驗(yàn)構(gòu)建特征集。將年齡作為協(xié)變量，通過(guò)雙樣本ｔ 檢驗(yàn)對(duì)比ＮＣ 組和ＳＣＨ 組的差異性指標(biāo)（ｐ＜０．０５，ＦＤＲ 矯正）并構(gòu)建特征集（ＮＣ．ｔｒａｉｎ 和ＳＣＨ．ｔｒａｉｎ）。（４）建立ＳＶＭ 模型。通過(guò)ＰＳＯ 優(yōu)化算法在１０ 折交叉驗(yàn)證下對(duì)特征集和標(biāo)簽集進(jìn)行二分類(lèi)實(shí)驗(yàn)。

４ 實(shí)驗(yàn)結(jié)果

４．１ 全局指標(biāo)

通過(guò)曲下面積（ＡＵＣ）分析發(fā)現(xiàn)：聚類(lèi)系數(shù)（Ｃｐ）有顯著差異ｐ ＝ ０．０３８，ｔ ＝ ２．０９，ＮＣ 組大于ＳＣＨ 組；最短路徑長(zhǎng)度（Ｌｐ）有顯著差異ｐ ＝０．００３，ｔ ＝３．０１，ＮＣ 組大于ＳＣＨ 組；小世界指數(shù)（σ 有）顯著差異ｐ ＝０．０１，ｔ ＝－２．５８，ＮＣ 組小于ＳＣＨ 組；全局效率（Ｅｇ）有顯著差異ｐ ＝０．０３７，ｔ ＝ －２．１，ＮＣ 組小于ＳＣＨ 組；層級(jí)系數(shù)（ａｂ）有顯著差異ｐ ＝０．０１７，ｔ ＝－２．４２，ＮＣ 組小于ＳＣＨ 組，如圖２ 所示；局部效率（Ｅｌｏｃ）、同配性（ａｒ）、同步性（ａｓ）沒(méi)有顯著差異（Ｐ＞０．０５）。

４．２ 節(jié)點(diǎn)指標(biāo)

節(jié)點(diǎn)聚類(lèi)系數(shù)（ＮＣｐ）有顯著差異的節(jié)點(diǎn)為５７（左側(cè)中央后回）。提?。担?節(jié)點(diǎn)的值進(jìn)行雙樣本ｔ 檢驗(yàn)：節(jié)點(diǎn)５７ 的ｔ ＝３．７５，ＮＣ 組大于ＳＣＨ 組，如圖３ 所示。

節(jié)點(diǎn)效率（ＮＥ）有顯著差異的節(jié)點(diǎn)為４（右側(cè)背外側(cè)額上回）、７４（右側(cè)豆?fàn)顨ず耍?、７７（左?cè)丘腦）、７８（右側(cè)丘腦）。提取４ 個(gè)節(jié)點(diǎn)的值進(jìn)行雙樣本ｔ 檢驗(yàn)：節(jié)點(diǎn)４ 的ｔ ＝－３．４２，ＮＣ 組小于ＳＣＨ 組；節(jié)點(diǎn)７４ 的ｔ ＝－３．４６，ＮＣ 組小于ＳＣＨ 組；節(jié)點(diǎn)７７ 的ｔ ＝－４．２３，ＮＣ 組小于ＳＣＨ 組；節(jié)點(diǎn)７８ 的ｔ ＝－４．１２，ＮＣ 組小于ＳＣＨ 組，如圖４ 所示。

節(jié)點(diǎn)度中心性（ＮＤｃ）有顯著差異的腦區(qū)為６９（左側(cè)中央旁小葉）、７４（右側(cè)豆?fàn)顨ず耍?、７７（左?cè)丘腦）、７８（右側(cè)丘腦）。提?。?個(gè)腦區(qū)的值進(jìn)行雙樣本ｔ 檢驗(yàn)：節(jié)點(diǎn)６９ 的ｔ ＝３．２８，ＮＣ 組大于ＳＣＨ 組；節(jié)點(diǎn)７４ 的ｔ＝－３．４６，ＮＣ 組小于ＳＣＨ 組；節(jié)點(diǎn)７７ 的ｔ ＝ －４．１８，ＮＣ組小于ＳＣＨ 組；節(jié)點(diǎn)７８ 的ｔ ＝ －３．５８，ＮＣ 組小于ＳＣＨ組，如圖５ 所示。

節(jié)點(diǎn)局部效率（ＮＬｅ）沒(méi)有顯著差異；節(jié)點(diǎn)介數(shù)中心性（ＮＢｃ）沒(méi)有顯著差異；節(jié)點(diǎn)最短路徑長(zhǎng)度（ＮＬｐ）沒(méi)有顯著差異。

４．３ 分類(lèi)結(jié)果

通過(guò)顯著差異的全局指標(biāo)和節(jié)點(diǎn)指標(biāo)構(gòu)建特征集，如圖６ 所示。實(shí)驗(yàn)對(duì)比高斯核函數(shù)和線(xiàn)性核函數(shù)，在ｋ ＝１０ 的交叉驗(yàn)證下（ＫＦｌｏｄ），ｒｂｆ ＳＶＭ 分類(lèi)準(zhǔn)確率平均為７６％ （Ｃ ＝ １３０． ５５４ ９，ｇａｍ ＝ ０． ００１），ｌｉｎｅａｒＳＶＭ 分類(lèi)準(zhǔn)確率平均為７５．１％ （Ｃ ＝ １３０．５５４ ９）。其中，當(dāng)Ｋ ＝１ 時(shí)，ｌｉｎｅａｒ ＳＶＭ 分類(lèi)準(zhǔn)確率最高為９３．３％，當(dāng)Ｋ ＝１０ 時(shí)，ｌｉｎｅａｒ ＳＭＶ 和ｒｂｆ ＳＶＭ 對(duì)于特征集的訓(xùn)練效果普遍較差，這是由于ＫＦｏｌｄ 交叉驗(yàn)證劃分訓(xùn)練樣本不均所導(dǎo)致的。實(shí)驗(yàn)同時(shí)對(duì)比全局指標(biāo)和節(jié)點(diǎn)指標(biāo)，其中節(jié)點(diǎn)指標(biāo)平均準(zhǔn)確率均高于全局指標(biāo)平均準(zhǔn)確率，同時(shí)低于特征集平均準(zhǔn)確率，如圖７ 所示。

５ 討論

本文在特征選擇上屬于種子點(diǎn)分析法，區(qū)別于傳統(tǒng)ＦＣ 分析和ＰＣＡ 降維等方法在特征上選擇具有顯著差異性全局屬性和節(jié)點(diǎn)屬性。通過(guò)雙樣本ｔ 檢驗(yàn)發(fā)現(xiàn)，患者腦網(wǎng)絡(luò)中聚類(lèi)系數(shù)和最短路徑長(zhǎng)度低于正常被試，在節(jié)點(diǎn)中央后回（ＰｏＣＧ．Ｌ）的節(jié)點(diǎn)聚類(lèi)系數(shù)存在顯著差異（Ｐ＜０．００１），吳偉斌等［９］ 解釋了該結(jié)果的生理學(xué)原理。全局效率患者高于正常被試，在節(jié)點(diǎn)背外側(cè)額上回（ＳＦＧｄｏｒ．Ｒ）、豆?fàn)顨ず耍ǎ校眨裕?Ｒ）、丘腦（ＴＨＡ）的節(jié)點(diǎn)效率存在顯著差異（Ｐ＜０．００１），說(shuō)明精神分裂患者腦網(wǎng)絡(luò)的集團(tuán)化程度和信息傳輸速率存在差異，特別是各種感覺(jué)的傳導(dǎo)通路均在ＴＨＡ 內(nèi)更換神經(jīng)元后投射到大腦皮層，解釋了精神分裂患者存在幻想癥、思維混亂、極度激動(dòng)等行為，由于小世界屬性參數(shù)受到隨機(jī)網(wǎng)絡(luò)的聚類(lèi)系數(shù)與最短路徑影響，因此出現(xiàn)小世界屬性ＳＣＨ 組大于ＮＣ 組的現(xiàn)象。在實(shí)驗(yàn)中為了減少個(gè)體性差異對(duì)實(shí)驗(yàn)的影響，在進(jìn)行雙樣本ｔ 檢驗(yàn)時(shí)，均以年齡為協(xié)變量對(duì)比兩組被試的全局指標(biāo)和節(jié)點(diǎn)指標(biāo)，考慮到性別所帶來(lái)的影響，實(shí)驗(yàn)對(duì)比僅發(fā)現(xiàn)男性患者（５８ 人）和女性患者（１４ 人）在節(jié)點(diǎn)度中心性的上距狀裂周?chē)樱ǎ茫粒蹋遥┠X區(qū)存在顯著差異（ｐ ＝０．０００２，ｔ ＝３．９２，ＦＤＲ 矯正），具有較強(qiáng)的特征解釋性。在分類(lèi)方法上屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，實(shí)驗(yàn)通過(guò)ＳＶＭ 算法解決ｆＭＲＩ 數(shù)據(jù)小樣本問(wèn)題，通過(guò)核函數(shù)解決了ｆＭＲＩ 數(shù)據(jù)高維度特性問(wèn)題，相較于之前的實(shí)驗(yàn)結(jié)果，最優(yōu)分類(lèi)準(zhǔn)確率９３％也進(jìn)一步證實(shí)從復(fù)雜網(wǎng)絡(luò)研究角度構(gòu)建特征來(lái)進(jìn)一步區(qū)別患者與正常被試的可能性，為計(jì)算機(jī)輔助診斷提供了參考。實(shí)驗(yàn)中仍有未充分考慮的其他干擾因素導(dǎo)致樣本泛化能力有待提高，如ＫＦｌｏｄ 交叉驗(yàn)證中正負(fù)樣本均等劃分以及大腦結(jié)構(gòu)成像中掃描的灰質(zhì)、白質(zhì)和腦脊液的形態(tài)結(jié)構(gòu)以及被試的性別、慣用手等因素，因此對(duì)于部分劃分的樣本訓(xùn)練效果較差。下一步工作可結(jié)合多模態(tài)ＭＲＩ 分析，提取不同特征值和嘗試不同算法［１０］ ，以盡量減少由于個(gè)體差異性以及多變的生理學(xué)因素所帶來(lái)的干擾。

參考文獻(xiàn)：

［１］ ＲＵＢＩＮＯＶ Ｍ，ＳＰＯＲＮＳ Ｏ．Ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｍｅａｓｕｒｅｓ ｏｆ ｂｒａｉｎｃｏｎｎｅｃｔｉｖｉｔｙ： ｕｓｅｓ ａｎｄ ｉｎｔｅｒｐｒｅｔａｔｉｏｎｓ．［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１０，５２（３）：１０５９?１０６９．

［２］ ＷＡＮＧ Ｊ Ｈ，ＺＵＯ Ｘ Ｎ，ＳＵＲＩＬ Ｇ，ｅｔ ａｌ． Ｇｒａｐｈ ｔｈｅｏｒｅｔｉｃａｌａｎａｌｙｓｉｓ ｏｆ ｆｕｎｃｔｉｏｎａｌ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ：ｔｅｓｔ－ｒｅｔｅｓｔ ｅｖａｌｕａｔｉｏｎ ｏｎｓｈｏｒｔ－ ａｎｄ ｌｏｎｇ － ｔｅｒｍ ｒｅｓｔｉｎｇ － ｓｔａｔｅ ｆｕｎｃｔｉｏｎａｌ ＭＲＩ ｄａｔａ［Ｊ］．ＰｌｏＳ ｏｎｅ，２０１１，６（７）：２１９７６．

［３］ ＯＮＩＡＳ Ｈ， ＶＩＯＬ Ａ， ＰＡＬＨＡＮＯ?ＦＯＮＴＥＳ Ｆ， ｅｔ ａｌ． Ｂｒａｉｎｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｂｙ ｍｅａｎｓ ｏｆ ｒｅｓｔｉｎｇ ｓｔａｔｅ ｆＭＲＩ ａｎｄｇｒａｐｈ ａｎａｌｙｓｉｓ： Ｗｉｌｌ ｉｔ ｂｅ ｈｅｌｐｆｕｌ ｉｎ ｃｌｉｎｉｃａｌ ｅｐｉｌｅｐｓｙ？［Ｊ］．ＥＰＩＬＥＰＳＹ ＡＮＤ ＢＥＨＡＶＩＯＲ，２０１４，３８（１）：７１?８０．

［４］ 王靜，孔令茵，雷炳業(yè)，等．抑郁癥的腦復(fù)雜網(wǎng)絡(luò)研究進(jìn)展［Ｊ］．中國(guó)醫(yī)學(xué)物理學(xué)雜志，２０２０，３７（６）：６．

［５］ 黃慶坤，楊鵬．基于神經(jīng)網(wǎng)絡(luò)的精神分裂ｆＭＲＩ 數(shù)據(jù)分類(lèi)［Ｊ］．電子技術(shù)與軟件工程，２０２０（３）：２．

［６］ ＳＩＬＶＡ Ｔ Ｃ，ＺＨＡＯ Ｌ．Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｉｎ Ｃｏｍｐｌｅｘ Ｎｅｔｗｏｒｋｓ［Ｍ］．Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ，２０１６．

［７］ ＥＲＺＳéＢＥＴ Ｒａ， ＬáＳＺＬó Ｂ Ａ． Ｈｉｅｒａｒｃｈｉｃａｌ ｏｒｇａｎｉｚａｔｉｏｎ ｉｎｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｅ， ２００３， ６７ （ ２）：０２６１１２．

［８］ ＷＡＮＧ Ｊ， ＷＡＮＧ Ｘ， ＸＩＡ Ｍ， ｅｔ ａｌ． ＧＲＥＴＮＡ： ａ ｇｒａｐｈｔｈｅｏｒｅｔｉｃａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｔｏｏｌｂｏｘ ｆｏｒ ｉｍａｇｉｎｇ ｃｏｎｎｅｃｔｏｍｉｃｓ［Ｊ］．Ｆｒｏｎｔｉｅｒｓ ｉｎ Ｈｕｍａｎ Ｎｅｕｒｏｓｃｉｅｎｃｅ，２０１５，９（３８６）：３８６．

［９］ 吳偉斌，傅禮洪，上官文博，等．青少年精神分裂癥ＢＯＬＤ?ｆＭＲＩ 特征與認(rèn)知功能的關(guān)系［Ｊ］．中國(guó)ＣＴ 和ＭＲＩ 雜志，２０２２，２０（６）：４?７．

［１０］ ＡＨＭＡＤ Ｆ，ＡＨＭＡＤ Ｉ，ＧＵＥＲＲＥＲＯ?Ｓ?ＮＣＨＥＺ Ｙ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ ｓｃｈｉｚｏｐｈｒｅｎｉａ?ａｓｓｏｃｉａｔｅｄ ｂｒａｉｎ ｒｅｇｉｏｎｓ ｉｎ ｒｅｓｔｉｎｇ?ｓｔａｔｅ ｆＭＲＩ［Ｊ］．Ｔｈｅ Ｅｕｒｏｐｅａｎ Ｐｈｙｓｉｃａｌ Ｊｏｕｒｎａｌ Ｐｌｕｓ，２０２３，１３８（１）：５８．

作者簡(jiǎn)介：黃慶坤（１９９４—），碩士，助教，研究方向：計(jì)算機(jī)技術(shù)。

賀政剛（１９９４—），碩士，助教，研究方向：應(yīng)用數(shù)學(xué)。

楊鵬（１９９５—），本科，助教，研究方向：臨床醫(yī)學(xué)。