自闭症儿童感官差异背后，竟藏着大脑连接的秘密

一句话读懂：特定脑区间的功能连接模式可预测自闭症儿童的感官特征类型，揭示了感官差异背后的神经基础。

研究背景

感官处理差异是自闭症的核心特征，高达 87% 的自闭症个体存在此类差异。这意味着视觉、听觉、触觉、嗅觉或味觉可能被感知为异常强烈或微弱。部分个体主动寻求特定感官刺激，另一部分则极力回避日常刺激。这些差异影响环境适应、认知发展及日常功能。既往研究发现，这些个体化表现常聚类为特定行为类别。此前一项大规模研究在自闭症青少年中识别出五种感官表型：

• 感官适应型：与神经典型同龄人相比，感官差异极小。

• 广泛感官差异型：在几乎所有感官领域表现出严重敏感。

• 味觉与嗅觉敏感型：主要对味觉和嗅觉有选择性敏感。

• 低反应高寻求型：对环境普遍低反应，但主动寻求强烈感觉。

• 运动困难低能量型：伴有运动困难及低身体能量。

此前尚不清楚这五种行为轮廓如何映射到大脑内部布线。

研究是怎么做的

研究团队分析了 146 名 3 至 21 岁自闭症儿童和青少年的数据。参与者监护人填写标准化临床问卷，详细描述孩子对各类感官刺激的日常反应。基于问卷得分，研究者将每位参与者归入上述五种感官表型之一。随后，参与者进行静息态功能性磁共振成像（resting-state fMRI，一种在安静休息时通过追踪血液氧水平测量脑活动的扫描技术）。

研究者将大脑扫描数据划分为 200 个大脑皮层区域和 32 个深部皮层下区域。利用图论（graph theory，一种量化生物网络信息流动的数学框架）计算区域间连接强度、信息传递效率、介数中心性（betweenness centrality，识别长距离通信中心枢纽的指标）及聚类系数（clustering coefficient，衡量区域邻近节点互联程度的指标）。这些计算生成了描述每位参与者独特脑网络的海量数据点。最后，团队将这些图论测量数据输入机器学习算法（machine learning，训练计算机模型在大数据中识别隐藏模式的技术），测试模型能否仅凭脑连接指标正确识别儿童所属的感官表型，并对五种表型的所有 10 种可能配对进行比较。

主要发现

算法成功区分了 10 对感官表型中的 7 对。模型在区分两个极端行为轮廓时表现最佳，即最准确地区分了感官适应型与广泛感官差异型。

特定脑网络成为感官轮廓的强预测因子：

• 感官适应型儿童在前额叶皮层（prefrontal cortex，主要参与决策和执行功能）显示更强的全局连接，且眶额叶皮层（orbitofrontal cortex，位于眼睛上方，帮助整合感官信息与情绪奖励）连接度高。

• 广泛感官差异型儿童在体感运动网络（somatomotor network，直接处理触觉和自愿身体运动）内表现出更强的局部连接。其初级感觉处理区域局部高度互联，但缺乏与前额叶皮层的强通信链接，提示高级执行脑区调节外部感官信号的方式可能存在差异。

分析还识别出更专业化感官轮廓的独特连接特征。味觉与嗅觉敏感型儿童在后顶叶皮层（posterior parietal cortex，对空间推理和注意力导向重要）显示出一致的枢纽活动改变。广泛的注意力网络和默认模式网络（default mode network，在内部思考和白日梦时活跃的系统）的差异也帮助算法区分了多种表型。皮层下区域（如丘脑和伏隔核，常作为感官信息到达大脑皮层前的初始守门人）对区分特定感官组至关重要，尤其在广泛感官差异型和味觉嗅觉敏感型中表现出独特的连接模式。

需要注意

研究存在若干解释局限：

• 机器学习模型未能对 3 对表型（如低反应组与运动困难组）产生统计学显著区分，提示某些感官轮廓可能共享重叠神经机制，或需更大样本量以检测更细微的脑差异。

• 分析高度依赖监护人报告来分类感官行为，尽管问卷是标准临床工具，但存在主观性，可能无法完美捕捉自闭症参与者的内部体验。

• 研究未考虑自闭症症状严重程度、智商或共病情况的差异，这些因素可能独立影响脑连接模式。

• 扫描期间的小幅头部运动可能人为改变功能连接测量。尽管研究者剔除了过度运动数据并应用数学校正，但不同感官组儿童对扫描仪环境的耐受度差异仍可能是潜在因素。

未来研究需在独立的自闭症个体群体中测试这些预测模型，以验证这些模式在更广泛人群中是否成立。