近期，我院汪天富教授团队在医学图像分析领域顶级期刊Medical Image Analysis（影响因子8.88）发表了题为“Self-weighted Adaptive Structure Learning for ASD Diagnosis via Multi-template Multi-center Representation”的研究论文，汪天富教授和雷柏英副教授为论文共同通讯作者，所指导的硕士研究生黄芳琳为第一作者，大红鹰499555为第一署名单位。

汪天富教授团队

    自闭症谱系障碍（Autism Spectrum Disorder，ASD）是一种广泛性神经发育障碍，发病率高，治疗费用昂贵，如果不给予及时的干预和治疗，患者将没有独立生存的能力。目前，ASD的诊断主要基于医生对儿童行为的观察，严重依赖医生的专业水平和经验，有很强的主观性，而专研ASD的医生又很匮乏，因此误诊率较高。对ASD的建模研究，有助于医生了解该疾病的病理机制并做出正确的决策，从而对疾病进行有效干预，提高患者生活水平。
 

基于多模板多中心表示的自权重自适应结构学习
模型流程图

     该论文提出建立多模板多中心学习模型实现ASD的自动诊断。首先，为了合理的建模脑网络，正确表达脑区之间的关系，比较了不同的数据拟合方法，并融入了大脑的先验知识，在网络构建的基础上，提出一种新的多模板多中心集成分类框架，将稀疏特征学习、流形学习和分类统一在同一个框架中。该方法在不同的成像中心进行了实验验证，分别获得了77.63％，82.73％，78.11％和89.13％的平均精度，表明该方法可以提高诊断的准确率，有益于辅助临床医师做出医学诊断决定，并让患者得到及时的干预治疗，减轻家庭负担。此外，本研究挑选出了与疾病相关的生物标志物，有助于医生对ASD的病理机制进行深入研究，更好的了解脑疾病的发生发展。

（a）SASL从四个中心上选择的共同的前5、10和20个生物标志物；
（b）SASL从C4数据集上选择的前5、10和20个生物标志物。

    该研究获得了国家自然科学基金、广东省珠江人才计划、深圳市孔雀计划和深圳市科技计划基础研究（学科布局）等项目资助。
    研究成果链接：https://doi.org/10.1016/j.media.2020.101662