10月5日，本课题组的科研成果-论文“Multi-modal multiple kernel learning for accurate identification of Tourette syndrome children”[1]发表在国际计算科学、人工智能、电子工程等学科领域的顶尖级期刊《Pattern Recognition》上。（DOI: 10.1016/j.patcog.2016.09.039）

中科院自动化所类脑智能研究中心神经影像计算与分析（NICA）课题组的何晖光研究员，领导团队的文宏伟、汪胜佩博士研究生，陈智强硕士研究生，联合北京儿童医院的多位医生专家，结合神经影像、模式识别、机器学习等技术，在儿童抽动秽语综合症的临床辅助诊断的研究方面取得了重要进展。

抽动秽语综合征（Tourette syndrome, TS）是临床上较为常见的儿童行为障碍综合征，致病原因至今尚不明确，临床缺乏客观指标评价TS并评估预后，儿童TS患者抽动症状持续到成人，症状顽固，很难治疗，部分必须手术治疗，并发症较多，对健康危害极大。目前没有任何检验能够确认TS的诊断，同时容易受到多种伴随症（如强迫症,注意力缺陷多动障碍）的干扰。对TS的病理学研究和客观的辅助诊断方法是目前临床上提高患者治疗疗效及预后的挑战性难题。

弥散张量成像（diffusion tensor imaging，DTI）是目前唯一可在活体上显示并研究脑白质纤维束的微观形态结构的无创性成像方法。它在神经解剖、纤维连接和大脑发育方面应用前景广阔, 对于神经系统疾病和脑功能研究有巨大的潜在优势。本研究结合了NICA课题组先前发表在国际神经科学、神经成像领域的顶级期刊《Human Brain Mapping》上的相关工作[2]，融合了基于纤维束示踪的空间统计(tract-based spatial statistics, TBSS)方法和基于大变形微分同胚尺度映射（large deformation diffeomorphic metric mapping, LDDMM）的脑图谱感兴趣区分析方法的优势，提取了由fractional anisotropy (FA)，radial diffusivity(RD)，axial diffusivity (AD)，mean diffusivity (MD)分别表征的4类基于脑图谱划分的白质骨架特征。同时结合脑图谱分析法和经典的VBM-DARTEL分析法提取灰质密度特征（GMP）。在多模态多类型特征融合方面，本研究采用了多核学习（Multiple kernel learning， MKL）方法。实验结果显示基于多模态多类型特征的TS患儿诊断（分类）正确率达到94%，明显优于单模态单类型特征。高正确率凸显了本研究对TS临床辅助诊断的潜在意义，同时研究中也为TS病理学研究提供了潜在的neuroimaging biomarkers。

已发表的论文列表：

[1] Hongwei Wen, Yue Liu, Islem Rekik, Shengpei Wang, Zhiqiang Chen, Jishui Zhang, Yue Zhan, Yun Peng, Huiguang He. Multi-modal multiple kernel learning for accurate identification of Tourette syndrome children. Pattern Recognition, 63 (2017) 601-611. (SCI, 5-Year Impact Factor: 3.707) (Computer science, artificial intelligence: Q1(15/130), Engineering, electrical & electronic: Q1(20/257))

[2] Hongwei Wen, Yue Liu, Jieqiong Wang, Islem Rekik, Jishui Zhang, Yue Zhang, Hongwei Tian, Yun Peng, Huiguang He, Combining tract- and atlas-based analysis reveals microstructural abnormalities in early Tourette syndrome children. Human brain mapping, 37 (2016) 1903-1919. (SCI, 5-Year Impact Factor: 5.638) (Neuroscience: Q1(38/256),Neuroimaging: Q1(2/14))