神经影像学在孤独症谱系障碍康复中的多模态证据与应用

Multimodal Evidence and Applications of Neuroimaging in the Rehabilitation of Autism Spectrum Disorder

摘要

当前，孤独症谱系障碍（ASD）的临床评估主要依赖行为学量表和结构化访谈，缺乏客观、可重复且便于长期追踪的量化指标。本综述系统整合了近年来ASD神经影像学的主要研究，在总结核心发现的基础上，审慎评述了现有证据的适用范围和局限性。在结构影像方面，结构磁共振成像（sMRI）研究普遍揭示ASD个体存在非线性的脑发育轨迹及特定脑区的结构表型；在功能网络方面，静息态功能磁共振成像（rs-fMRI）研究显示大规模脑网络之间的功能连接（FC）存在显著异常，动态FC分析提示该异常可能与“网络灵活性”改变有关，但其可靠性仍需敏感性检验和独立队列外部验证；在白质通路方面，弥散张量成像（DTI）在胼胝体等关键白质通路中发现了微结构指标的差异，为理解信息传递障碍提供了依据，但传统扩散指标的生物学特异性有限。在其他成像技术方面，磁共振波谱成像（MRS）为大脑兴奋-抑制失衡假说提供了代谢层面的支持；功能性近红外光谱（fNIRS）因操作便捷、抗干扰性强，已成为低龄儿童随访及干预监测的可行工具；脑磁图（MEG）则能从时间与频域维度补充语义-执行加工过程中脑区间连接的证据。在转化应用层面，多模态融合与可解释的人工智能有助于解析异质性、推动风险分层与分型研究。在ASD康复实践中，影像指标的应用可归纳为辅助早期筛查、生物学分型匹配和疗效监测3条路径。展望未来，需整合多中心纵向队列的影像学结果和功能指标，建立标准化、可复现且易于临床解读的评估体系，推动ASD神经影像从科研工具向康复辅助手段的实质性转化。

Abstract

Currently, the clinical assessment of autism spectrum disorder (ASD) primarily relies on behavioral scales and structured interviews, which lack objective, repeatable, and easily trackable quantitative indicators. This review systematically integrates key neuroimaging studies on ASD conducted in recent years. After summarizing the core findings, it rigorously reviews the scope of application and limitations of the existing evidence. In structural imaging, studies using structural magnetic resonance imaging (sMRI) generally reveal that individuals with ASD exhibit nonlinear brain development trajectories and specific structural phenotypes in certain brain regions. In functional networks, resting-state functional magnetic resonance imaging (rs-fMRI) shows significant abnormalities in functional connectivity (FC) between large-scale brain networks. Dynamic FC analysis suggests that these abnormalities may be related to changes in "network flexibility", but its reliability still requires sensitivity testing and external validation of independent cohorts. For white matter pathways, diffusion tensor imaging (DTI) has identified differences in microstructural indicators in key white matter pathways, such as the corpus callosum, providing a basis for understanding information transmission disorder. However, the biological specificity of traditional diffusion indicators is limited. In other imaging modalities, magnetic resonance spectroscopy (MRS) provides metabolic-level evidence for the brain excitation-inhibition imbalance hypothesis. Functional near-infrared spectroscopy (fNIRS) has become a feasible tool for the follow-up and intervention monitoring of young children due to its convenient operation and strong anti-interference ability. Magnetoencephalography (MEG) provides complementary evidence from the time and frequency domains on interconnections between brain regions during semantic-executive processing. In terms of translational applications, multimodal fusion and interpretable artificial intelligence help to analyze heterogeneity and promote risk stratification and classification studies. In ASD rehabilitation practice, the application of imaging indicators can be summarized into three approaches: early screening assistance, biological subtyping matching, and efficacy monitoring. In the future, it is necessary to integrate the imaging results and functional indicators from multi-center longitudinal cohorts to establish a standardized, reproducible, and easily clinically interpretable assessment system, which will promote the substantive transformation of neuroimaging from a research tool to a rehabilitation adjunct.

孤独症谱系障碍（autism spectrum disorder，ASD）是一类起病于儿童早期的神经发育障碍^［1］，其核心表现为社交沟通障碍与重复刻板行为^［2］。近年人群监测显示，ASD的识别率处于较高水平且呈上升趋势，其中部分增幅可能与筛查范围扩大、诊断标准更新与服务可及性改善等因素有关。流行病学调查显示，在美国每31位儿童中即有1位被诊断为ASD^［3］。然而，当前临床评估仍主要依赖行为学量表与访谈，主观性较强且缺乏可追踪的客观指标，限制了早期筛查、分型入组及疗效监测的精准展开。越来越多研究支持将ASD理解为发育期大脑网络组织与连接模式异常的综合表型^［4-5］。在此背景下，神经影像学为刻画脑发育轨迹、解析症状维度的网络机制、探索可量化的康复评估候选指标提供了重要窗口。

本文围绕“发育轨迹”“网络机制”“个体差异”“多模态融合与转化应用”等主题，对近年来ASD神经影像学研究进行归纳综述，聚焦康复场景，旨在概括研究趋势及其边界条件，并从康复转化视角归纳影像指标的3类应用场景——早期筛查与风险分层、生物学分型匹配和康复干预疗效监测。考虑到ASD康复通常经历早期干预（0～3岁）、学龄前期系统训练（3～6岁）、学龄期及以上巩固与社会适应（6岁以上）3个阶段，各阶段的干预目标与评估重点差异显著，神经影像指标的临床价值高度依赖其阶段适配性与动态追踪能力。因此，本文在综述各影像模态证据的同时，特别关注这些指标在不同康复阶段中的针对性应用及其随发育进程的演变规律，以期为构建阶段化、精准化且可量化的ASD康复评估体系提供理论依据与研究线索。

1 神经影像学揭示的ASD脑发育异常表型

1.1　结构影像：非线性脑发育轨迹与结构表型

既往结构磁共振成像（structural magnetic resonance imaging，sMRI）研究发现，6～12月龄时脑皮层表面积扩张对识别ASD高风险婴儿具有较高的敏感性，有助于确定强化干预的关键窗口^［6］。学龄前期ASD患儿额颞区域、基底神经节和小脑的体积显著高于正常发育（typically developing，TD）儿童^［7］；而学龄期至青春期，其脑体积可能出现发育趋同甚至相对滞后^［8］。需要指出的是，该“非线性轨迹”并非在所有个体中均一致，可能受样本来源、功能水平、共病情况、性别比例与扫描序列差异等因素影响。部分低龄队列和特定表型中虽观察到“早期增速异常”倾向，但其在个体层面的解释仍需高质量纵向及多中心数据加以验证。

此外，sMRI研究亦揭示了ASD患者特定脑区的结构性异常。既往研究报道，ASD患者的异常脑结构涉及中脑、脑桥、双侧海马体、左侧海马旁回、左侧颞上回、左侧颞极、左侧中颞回和左侧枕上回等区域，但不同研究在具体区域范围与差异方向上并不完全一致^［9］。1项纳入超过2 000例受试者的Meta分析显示，ASD患者左侧岛叶灰质体积（gray matter volume，GMV）显著增加，而小脑GMV则显著减少^［4］。这些结构改变分别与突显网络（salience network，SN）功能失调和运动协调障碍密切相关，为理解ASD的临床症状提供了结构基础。

面向康复评估，sMRI较有可操作性的输出指标包括脑龄偏差、关键皮层区的厚度与表面积，以及与语言和执行功能相关脑区存在个体差异^［10］。然而，结构指标与功能结局之间多为相关性研究，且站点差异与个体层面的可解释性仍是推广应用的瓶颈。因此，sMRI更适合作为提供稳定个体差异线索（如风险分层与分型依据）的工具，用于解释训练反应差异或辅助随访分层，其临床可用性高度依赖于统一的数据采集与处理流程、站点效应校正以及纵向或多中心研究的验证。

1.2　功能影像：大规模脑网络连接异常

静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rs-fMRI）通过血氧水平依赖（blood oxygen level dependent，BOLD）信号，测量大脑在无特定外部认知、运动、情绪和感觉任务刺激下自发产生的活动波动^［11］。相较于任务态功能磁共振成像（functional magnetic resonance imaging，fMRI），rs-fMRI操作更简便、受试者依从性更高，尤其适用于低龄或配合度欠佳的ASD儿童，具有独特的临床应用价值^［8］。

为更精准地刻画这些复杂波动，功能连接（functional connectivity，FC）及其衍生方法已成为rs-fMRI分析的主流手段^［12］。ASD的特征表现为某些大规模脑网络内部或之间的FC存在异常^［13］。近年来，研究视角从静态FC进一步扩展至动态FC，通过滑动窗等方法刻画连接随时间的动态变化。默认模式网络（default mode network，DMN）内FC的异常时间动态变化是ASD的重要神经病理特征，并可能作为诊断的潜在生物标志物^［13］。部分研究显示，ASD在网络状态切换频率、停留时间或“网络灵活性”等方面存在差异，并尝试将其与发育进程及症状相关联^［14］。年龄分层分析进一步揭示了上述神经影像指标的异质性。幼儿期ASD儿童的动态脑功能连接异常与孤独症行为量表（Autism Behavior Checklist，ABC）等评估工具的严重程度评分相关^［15］；学龄前期ASD儿童的大脑功能网络表现为静态的失调与动态连接的僵化^［16］，这些改变可能与该年龄段ASD的核心症状（如社交沟通障碍、重复行为和兴趣受限）密切相关；进入学龄期后，DMN、SN与中央执行网络（central executive network，CEN）之间的连接异常则与社交认知、注意切换及执行控制等维度相关^［17］。上述年龄窗口的差异提示了在不同发育阶段优化扫描协议和分析策略的必要性。

rs-fMRI（尤其是动态FC）可为“症状维度-网络机制-训练反应”提供可量化候选指标，适合用于分型探索与疗效追踪，但其可靠性受头动控制、去噪策略及分析流程选择的影响，在应用中需重视同窗对照、参数敏感性分析与外部复现验证。

1.3　白质通路：信息传递的结构基础

弥散张量成像（diffusion tensor imaging，DTI）通过评估水分子的扩散特性，提供脑白质微观组织结构的特征信息^［18］。已有研究利用DTI探究ASD患者大脑白质是否存在异常情况^［19］。研究报道ASD患者胼胝体后部及左上纵束等神经纤维束的分数各向异性（fractional anisotropy，FA）值降低^［20］，并据此提出“长程连接不足、短程连接代偿”的解释框架^［21］。然而，FA等指标并非髓鞘或轴突密度的特异性测量，其结果易受多种因素影响，采集参数、畸变校正及头动均可能显著改变分析结果。

尽管存在非特异性，白质通路信息仍可能为康复实践提供2类价值：① 作为语言能力风险提示^［22］，例如弓状束的DTI参数有助于区分伴有语言障碍的ASD患儿与单纯语言发育迟缓患儿^［23］；② 作为训练反应差异的潜在线索，已有研究探索FA与修订版孤独症诊断访谈量表（Autism Diagnostic Interview-Revised Assessment，ADI-R）之间的相关性^［20］，但仍需纵向或干预队列研究进一步验证。DTI可用于补充“信息传递路径”的结构线索，为语言或执行功能相关薄弱环节提供风险提示，并辅助解释训练反应的个体差异。需明确指标的非特异性与方法学敏感性，优先采用标准化的采集与处理流程，并通过多中心与纵向设计提升结果的可比性与因果推断的可靠性。

2 补充性神经影像技术在ASD中的应用

2.1　磁共振波谱：兴奋-抑制失衡的代谢证据

磁共振波谱（magnetic resonance spectroscopy，MRS）可检测脑内代谢物^［24］，为探索ASD的兴奋-抑制失衡相关假说提供线索^［25］。1项针对ASD患者开展的质子磁共振波谱（proton magnetic resonance spectroscopy，¹H-MRS）研究显示，所测脑区的N-乙酰天冬氨酸（N-acetylaspartate，NAA）、肌酸＋磷酸肌酸、胆碱及谷氨酸类代谢物（Glx）水平呈降低趋势^［26］。然而，MRS的空间分辨率、脑区选择与量化流程的差异限制了研究结果的一致性。

面向康复转化，MRS更适合用于机制研究或作为药物/神经调控干预的探索性指标，尤其在学龄期及以上阶段，视觉皮层中的γ-氨基丁酸（gamma-aminobutyric acid，GABA）浓度与ASD患者的社交功能和有效搜索能力有关^［27］；由于扫描时长限制且动态变化规律尚需纵向证据支持，目前不宜单独作为临床评估工具。

2.2　功能性近红外光谱：低龄与康复监测的便携工具

功能性近红外光谱（functional near-infrared spectroscopy，fNIRS）因其安全性高、便携性强、抗运动伪影能力强且成本低廉等特点^［28］，近年来在ASD研究与干预评估中的应用日益增多^［29］。研究发现，学龄期及以上ASD患儿常表现为双侧颞叶的静息态FC较弱^［30］，尤其在0.01～0.02 Hz频段更为显著，可作为ASD的候选特征指标^［31］。

在任务或干预范式方面，有研究利用fNIRS观察绘画干预相关的前额叶皮层血流动力学变化，为训练过程监测提供了可行示例^［32］。尽管fNIRS存在探头覆盖范围有限、系统误差与个体差异及通道-脑区映射不确定性等问题，但其突出的年龄适用性使其成为婴幼儿和学龄前期随访的首选^［33］。在临床应用中，应明确运动伪影处理与短通道校正策略，并尽量采用标准化探头布置与质量控制流程，以提升跨研究可比性与结论稳健性。

2.3　脑磁图：高时间分辨率的频段连接证据

脑磁图（magnetoencephalography，MEG）提供了高时间分辨率的频段连接与加工时序信息。研究显示，青少年ASD患者存在与词汇-语义及执行加工相关的θ频段活动异常^［34］；ALHO等^［35］发现ASD儿童右小脑第Ⅵ皮质区对有意义和无意义句子的诱发反应无显著差异；SATO等^［36］采用纵向设计揭示了工作记忆高负荷下θ频段连接的发育轨迹差异；此外，M50听觉反应延迟在伴有运动障碍的ASD患者中更为明显^［37］。

尽管MEG技术具有无创性和实时处理的优点，但其在探测大脑深部区域时信噪比（signal-to-noise ratio，SNR）会显著下降^［38］。MEG的康复意义在于为认知负荷敏感指标与训练反应机制提供时间维度的观测窗口，但其成本与可及性仍限制其在常规临床中的推广应用。MEG更适合学龄期及以上人群，用于为执行功能与社会认知训练中频段切换提供机制证据。

综上所述，sMRI、rs-fMRI、DTI技术为理解ASD脑异常提供了结构、功能与白质维度的证据，而MRS、fNIRS、MEG等补充性神经影像技术则从代谢、血流动力学及神经振荡等角度提供了补充信息。为系统呈现该领域的关键进展，本文整理了近年来相关代表性研究的样本特征及发现，详见表1。为提高证据的可用性与跨中心可推广性，建议未来研究应公开报告并规范控制头动与去噪策略、站点或批次效应校正、关键混杂因素分层，开展参数敏感性分析，并强化独立外部验证、数据泄漏防范流程与可解释性输出，推动指标标准化与数据共享。

3 多模态融合与人工智能驱动的精准康复

3.1　多模态融合：解析ASD异质性的技术路径

ASD是一组高度异质的神经发育障碍，其异质性主要体现在以下3个方面^［6］。① 临床表现：社交互动、语言沟通及重复刻板行为的严重程度因人而异；② 神经影像表型：不同个体在脑结构和功能异常模式上存在显著差异；③ 发育轨迹：部分患儿在早期表现为脑体积过度增长，而至青春期后则可能出现发育滞后。

鉴于ASD的高度异质性，单一成像技术难以全面捕捉其复杂特征。融合多种模态的数据，能够同步描绘大脑的结构、功能及白质通路，在识别亚型、划分风险等级和预测预后方面展现出更丰富的信息维度^［4，6］。已有研究利用多模态影像特征构建分类模型，在特定数据集和验证条件下取得了较高的区分效能^［42］。尤为值得关注的是，部分研究已初步建立起影像特征与核心症状间的关联，例如社交互动能力与双侧颞上回及边缘系统的灰质密度（gray matter density，GMD）呈负相关，而交流能力则与右侧中颞回、下额回和前扣带回的GMD呈正相关^［43］；另有研究采用“规范建模”策略，将个体数据置于健康发育轨迹的参照系中进行比对，为精准诊断与个性化干预开辟了新思路^［44］。

3.2　人工智能：从识别到分型与决策

深度学习技术的引入为ASD神经影像研究注入了新的方法学活力，尤其在自动化特征提取与模式识别方面展现出显著优势。尽管人工智能（artificial intelligence，AI）在辅助识别与分型方面展现出可观潜力^［45］，但其能否真正服务于临床，仍有赖于外部验证、跨站点一致性及可解释性等方面的充分证据。

在ASD早期识别研究中，HAZLETT等^［46］基于148例6～12月龄婴幼儿的sMRI数据，提取皮层厚度、皮层表面积与脑体积等特征，结合深度学习算法构建模型，在其研究设定与验证策略下实现了81%的敏感性与88%的特异性。XU等^［47］基于fNIRS时序数据，构建了长短期记忆模型（long short-term memory，LSTM）与卷积神经网络（convolutional neural network，CNN）相结合的深度学习模型，对平均年龄约9岁的ASD与TD儿童进行分类预测，报告灵敏度与特异性分别达97.1%和94.3%，并称较既往模型准确率提高约8%。需要指出的是，上述结果通常与样本来源、任务定义、训练或验证策略及站点差异密切相关，仍需通过独立外部队列与前瞻性研究进一步检验其泛化能力与临床适用范围。

面向康复转化，AI已被用于探索性量化社交相关行为（如对社交刺激的注视、情绪表达等）及ASD评估中的共同注意等维度，部分研究尝试将AI驱动的交互式系统或机器人用于辅助训练与干预流程管理^［48］。在此类研究中，应明确交代数据来源与站点、头动阈值、训练或验证策略（如交叉验证与外部验证）、数据泄漏防范流程，以及可解释性输出（如特征贡献及其稳定性）。对于高性能结果，应报告任务定义、验证方式与泛化范围，强调结果的不确定性。

近年来，大语言模型（large language models，LLMs）、多模态数据及多组学融合技术的兴起，为ASD神经影像研究带来了方法学革新。LLMs已开始用于报告生成、决策支持和工作流程优化^［49］，可将rs-fMRI等复杂影像结果转化为症状维度的解释和个性化干预建议；多模态数据在脑部疾病诊断中发挥重要作用，在ASD识别方面达到较高准确率^［50］，为康复分型匹配提供更精细的工具；影像学数据与基因组学、蛋白质组学等多组学数据的整合，为揭示ASD生物学机制和识别潜在生物标志物提供了新的路径^［51-52］。

4 神经影像学在ASD康复中的应用

4.1　影像指标的康复应用路径

面向康复转化，影像衍生指标的应用可归纳为以下3条路径。① 辅助早期筛查（风险分层）：在行为筛查基础上提供概率性高风险提示，并与发育评估联合判读；② 生物学分型匹配：通过多模态融合识别潜在亚型，为干预强度与训练重点提供线索；③ 疗效监测（客观追踪）：优先选择可重复、对训练敏感的指标（如fNIRS连接或激活、rs-fMRI网络状态或灵活性等），与功能结局共同建模，实现量表与机制互证的动态追踪。

4.2　康复阶段适配性

不同技术手段在ASD康复路径中具有分阶段的应用价值。fNIRS凭借其便携性，在早期干预与学龄前期阶段优势突出，可实时监测执行或非执行任务过程中前额叶皮层的神经活动^［53］；学龄前期可引入rs-fMRI动态指标与fNIRS任务激活，用于分型匹配与干预靶点识别；对于学龄期及以上患儿，MRS 与MEG可为神经调控干预代谢机制的理解及执行功能的动态变化提供深层证据，而多模态融合（sMRI＋rs-fMRI＋MEG）则适用于追踪执行功能、社会适应等长期结局。为便于将不同模态指标与康复流程对接，本文汇总了各类神经影像指标的可输出特征、适用场景、康复用途及实施要点，见表2。

5 总结与展望

神经影像学为理解ASD的发育性脑表型提供了重要线索。从sMRI揭示的非线性发育轨迹，rs-fMRI呈现的大规模网络连接及动态特征，到DTI所反映的白质通路差异，现有证据提示ASD人群普遍存在贯穿发育期的脑结构-功能-连接异常模式。MRS的代谢物指标、fNIRS在低龄与康复场景中的可重复监测优势，以及MEG对加工时序与频段连接的补充，也推动研究从“组间差异”走向“个体差异与转化应用”。神经影像学在ASD康复领域的应用虽已取得显著进展，但现有证据仍受方法学差异、样本异质性、因果解释局限以及临床转化障碍等多重因素制约。因而，其现实定位应是在多维评估体系中的辅助性客观指标，而非替代行为诊断的独立工具。未来应依托多中心纵向队列整合多模态影像与功能结局，以可解释AI为支撑构建可推广的分层、分型与预后预测模型，并将影像指标嵌入“评估-分型-干预-监测”的康复闭环，构建真正“随发育动态调整”的客观评估体系。

参考文献

[1] LEISMAN G， MELILLO R. Autism spectrum disorder：what do we know and where do we go? ［J］. Brain Sci，2025，15（9）：1010.

[2] WANG M， ZHANG X Z， ZHONG L Y，et al. Understanding autism：causes，diagnosis，and advancing therapies ［J］. Brain Res Bull，2025，227：111411.

[3] SHAW K A， WILLIAMS S， PATRICK M E，et al. Prevalence and early identification of autism spectrum disorder among children aged 4 and 8 years-autism and developmental disabilities monitoring network，16 sites，United States，2022 ［J］. MMWR Surveill Summ，2025，74（2）：1-22.

[4] GUO Z X， TANG X Y， XIAO S，et al. Systematic review and meta-analysis：multimodal functional and anatomical neural alterations in autism spectrum disorder ［J］. Mol Autism，2024，15（1）：16.

[5] MENON V. Large-scale brain networks and psychopathology：a unifying triple network model ［J］. Trends Cogn Sci，2011，15（10）：483-506.

[6] HAZLETT H C， POE M D， GERIG G，et al. Early brain overgrowth in autism associated with an increase in cortical surface area before age 2 years ［J］. Arch Gen Psychiatry，2011，68（5）：467-476.

[7] CONTI E， RETICO A， PALUMBO L，et al. Autism spectrum disorder and childhood apraxia of speech：early language-related hallmarks across structural MRI study ［J］. J Pers Med，2020，10（4）：275.

[8] LEE M H， MILLER-THOMAS M M， BENZINGER T L，et al. Clinical resting-state fMRI in the preoperative setting：are we ready for prime time? ［J］. Top Magn Reson Imag，2016，25（1）：11-18.

[9] XU M X， JU X D. Abnormal brain structure is associated with social and communication deficits in children with autism spectrum disorder：a voxel-based morphometry analysis ［J］. Brain Sci，2023，13（5）：779.

[10] SHAN X L， CHEN H F， DUAN X J. Multimodal magnetic resonance imaging pattern recognition in autism spectrum disorder ［J］. Adv Psychol Sci，2025，33（4）：548.

[11] AMEMIYA S， TAKAO H，ABE O. Resting-state fMRI：emerging concepts for future clinical application ［J］. J Magn Reson Imaging，2024，59（4）：1135-1148.

[12] AMADOR-TEJADA A， SHARMA B， DANIELLI E，et al. Resting-state functional MRI analyses for brain activity characterization：a narrative review of features and methods ［J］. Eur J Neurosci，2025，62（8）：e70276.

[13] JIA H B， WU X C， WANG E G. Aberrant dynamic functional connectivity features within default mode network in patients with autism spectrum disorder：evidence from dynamical conditional correlation ［J］. Cogn Neurodyn，2022，16（2）：391-399.

[14] LI W， QIU X， CHEN J，et al. Disentangling the switching behavior in functional connectivity dynamics in autism spectrum disorder：insights from developmental cohort analysis and molecular-cellular associations ［J］. Adv Sci，2025，12（20）：2403801.

[15] LI X X， WU S J， YANG W Z，et al. Abnormal resting-state brain network dynamics in toddlers with autism spectrum disorder ［J］. Eur Child Adolesc Psychiatry，2025，34（8）：2391-2401.

[16] SUN C L， DING S， QIN B，et al. Alterations of static and dynamic brain functional network connectivity in preschool children with autism spectrum disorder ［J］. J Psychiatr Res，2026，194：1-10.

[17] UDDIN L Q， MENON V. The anterior Insula in autism：under-connected and under-examined ［J］. Neurosci Biobehav Rev，2009，33（8）：1198-1203.

[18] LE BIHAN D. From Brownian motion to virtual biopsy：a historical perspective from 40 years of diffusion MRI ［J］. Jpn J Radiol，2024，42（12）：1357-1371.

[19] SUNDARAM S K， KUMAR A， MAKKI M I，et al. Diffusion tensor imaging of frontal lobe in autism spectrum disorder ［J］. Cereb Cortex，2008，18（11）：2659-2665.

[20] YIN Y， XU S J， LI C，et al. Association of reduced tract integrity with social communication deficits in preschool autism children：a tract-based spatial statistics study ［J］. Neuropsychiatr Dis Treat，2021，17：2003-2010.

[21] TRAVERS B G， ADLURU N， ENNIS C，et al. Diffusion tensor imaging in autism spectrum disorder：a review ［J］. Autism Res，2012，5（5）：289-313.

[22] LI M， WANG Y D， TACHIBANA M，et al. Atypical structural connectivity of language networks in autism spectrum disorder：a meta-analysis of diffusion tensor imaging studies ［J］. Autism Res，2022，15（9）：1585-1602.

[23] ZHANG L， MA R， YUAN Y R，et al. The value of diffusion tensor imaging for differentiating autism spectrum disorder with language delay from developmental language disorder among toddlers ［J］. Medicine，2019，98（14）：e15058.

[24] LA P L， JOYCE J M， BELL T K，et al. Brain metabolites measured with magnetic resonance spectroscopy in pediatric concussion and orthopedic injury：an advancing concussion assessment in pediatrics （A-CAP） study ［J］. Hum Brain Mapp，2023，44（6）：2493-2508.

[25] BERNARDINO I， DIONÍSIO A， VIOLANTE I R，et al. Motor cortex excitation/inhibition imbalance in young adults with autism spectrum disorder：a MRS-TMS approach ［J］. Front Psychiatry，2022，13：860448.

[26] BARUTH J M， WALL C A， PATTERSON M C，et al. Proton magnetic resonance spectroscopy as a probe into the pathophysiology of autism spectrum disorders （ASD）：a review ［J］. Autism Res，2013，6（2）：119-133.

[27] EDMONDSON D A， XIA P Y， MCNALLY KEEHN R，et al. A magnetic resonance spectroscopy study of superior visual search abilities in children with autism spectrum disorder ［J］. Autism Res，2020，13（4）：550-562.

[28] ZHAO Y N， HAN P P， ZHANG X Y，et al. Applications of functional near-infrared spectroscopy （fNIRS） neuroimaging during rehabilitation following stroke：a review ［J］. Med Sci Monit，2024，30：e943785.

[29] 李锦超，张明. 幼年期自闭症谱系障碍神经影像学病理研究进展［J］. 国际神经精神科学杂志，2021，10（2）：58-64.

[30] LI J C， ZHANG M. Progress in neuroimaging pathology of autism spectrum disorder during childhood ［J］. Int J Psychiatry Neurol，2021，10（2）：58-64.

[31] LI J， QIU L N， XU L Y，et al. Characterization of autism spectrum disorder with spontaneous hemodynamic activity ［J］. Biomed Opt Express，2016，7（10）：3871.

[32] SUN W T， WU X Y， ZHANG T Z，et al. Narrowband resting-state fNIRS functional connectivity in autism spectrum disorder ［J］. Front Hum Neurosci，2021，15：643410.

[33] LI G H， WEI D R，LYU Z，et al. Prefrontal blood flow activity during drawing intervention in school-age children with autism：an fNIRS hyperscanning study ［J］. Brain Sci，2025，15（5）：438.

[34] CONTI E， SCAFFEI E， BOSETTI C，et al. Looking for "fNIRS signature" in autism spectrum：a systematic review starting from preschoolers ［J］. Front Neurosci，2022，16：785993.

[35] YOU Y Q， CORREAS A， KEEHN R J JAO，et al. MEG Theta during lexico-semantic and executive processing is altered in high-functioning adolescents with autism ［J］. Cereb Cortex，2021，31（2）：1116-1130.

[36] ALHO J， SAMUELSSON J G， KHAN S，et al. Both stronger and weaker cerebro-cerebellar functional connectivity patterns during processing of spoken sentences in autism spectrum disorder ［J］. Hum Brain Mapp，2023，44（17）：5810-5827.

[37] SATO J， SAFAR K， VOGAN V M，et al. Functional connectivity changes during working memory in autism spectrum disorder：a two-year longitudinal MEG study ［J］. NeuroImage Clin，2023，37：103364.

[38] ROBERTS T P L， KUSCHNER E S， EDGAR J C. Biomarkers for autism spectrum disorder：opportunities for magnetoencephalography （MEG） ［J］. J Neurodev Disord，2021，13（1）：34.

[39] YANG Y L， LUO S C， WANG W J，et al. From bench to bedside：Overview of magnetoencephalography in basic principle，signal processing，source localization and clinical applications ［J］. NeuroImage Clin，2024，42：103608.

[40] LEE T W. RS-fMRI evidence of left frontal lobe developmental deviation as a candidate core pathology of autism spectrum disorder ［J］. Int J Dev Neurosci，2026，86（2）：e70112.

[41] LIU Q， LAI H， LE J，et al. Identifying brain functional subtypes and corresponding task performance profiles in autism spectrum disorder ［J］. Mol Psychiatry，2025，30（11）：5034-5044.

[42] GAO L， QIAO S， ZHANG Y G，et al. Parsing the heterogeneity of brain structure and function in male children with autism spectrum disorder：a multimodal MRI study ［J］. Brain Imag Behav，2025，19（2）：407-420.

[43] LU X F， YUE S Y， LI C Z，et al. Autism screening for children based on appearance features across multiple paradigms ［J］. Displays，2025，88：103049.

[44] SUN F F， CHEN Y， GAO Q Y，et al. Abnormal gray matter structure in children and adolescents with high-functioning autism spectrum disorder ［J］. Psychiatry Res Neuroimaging，2022，327：111564.

[45] CHAN S Y， CHUAH J S M， HUANG P，et al. Social behavior in ASD males：the interplay between cognitive flexibility，working memory，and functional connectivity deviations ［J］. Dev Cogn Neurosci，2025，71：101483.

[46] MOHAMMADI F， SHAHROKHI H， ASADZADEH A，et al. Artificial intelligence in autism spectrum disorder diagnosis：a sco-ping review of face，voice，and text analysis methods ［J］. Health Sci Rep，2025，8（11）：e71476.

[47] HAZLETT H C， GU H B， MUNSELL B C，et al. Early brain deve-lopment in infants at high risk for autism spectrum disorder ［J］. Nature，2017，542（7641）：348-351.

[48] XU L Y， LIU Y Y， YU J，et al. Characterizing autism spectrum disorder by deep learning spontaneous brain activity from functional near-infrared spectroscopy ［J］. J Neurosci Meth，2020，331：108538.

[49] SUN C， MCEWAN A， BOULTON K A，et al. Artificial intelligence for tracking social behaviours and supporting an autism spectrum disorder diagnosis：systematic review and meta-analysis ［J］. EBioMedicine，2025，120：105931.

[50] ZAABI A AL， ALSHIBLI R， ALAMRI A，et al. Trends and trajectories in the rise of large language models in radiology：scoping review ［J］. JMIR Med Inform，2025，13：e78041.

[51] WANG M Z， GUO J F， WANG Y J，et al. Multimodal autism spectrum disorder diagnosis method based on DeepGCN ［J］. IEEE Trans Neural Syst Rehabil Eng，2023，31：3664-3674.

[52] NISAR S， HARIS M. Neuroimaging genetics approaches to identify new biomarkers for the early diagnosis of autism spectrum disorder ［J］. Mol Psychiatry，2023，28（12）：4995-5008.

[53] YOON J H， LEE H， KWON D，et al. Integrative approach of omics and imaging data to discover new insights for understanding brain diseases ［J］. Brain Commun，2024，6（4）：265.

[54] DENG J C， LEI T， DU X R. Effects of sensory integration training on balance function and executive function in children with autism spectrum disorder：evidence from Footscan and fNIRS ［J］. Front Psychol，2023，14：1269462.