智能体框架ANA筛出孤独症fMRI分类流程：17中心留一中心验证AUC 0.814，高于两个对照模型
核心概要
孤独症静息态fMRI分类器很少能跨采集站点泛化，而许多报告的高准确率受数据泄漏影响。ASD Neuro Agentic（ANA）让语言模型智能体从文献和研究者输入提出特征，所有数值计算由固定工具完成，在ABIDE I的17个中心、1028名参与者上搜索流程，选出经ComBat协调的切空间连接组模型集成。留一中心测试中该集成AUC为0.814（95% CI 0.773–0.841），高于ASD-DiagNet和ASD-SAENet。
深度剖析
孤独症fMRI分类的流程搜索现在可以在不泄漏留出标签的前提下自动进行，并给出一个跨站点可用的分类器。 此前ABIDE上的报告准确率常因特征选择或调参使用留出参与者信息而偏高，且许多功能连接差异无法跨站点复现。 在17个ABIDE I中心、1028名参与者的留一中心验证中，选出的ComBat集成AUC为0.814，中心级自助法区间0.773–0.841；10000次标签置换无一达到该表现。
搜索由分工的智能体提出候选，数值结果全部由确定性代码算出。 语言模型只负责规划、检索文献和提出特征与模型配置，不参与任何指标计算。 摘要与结果部分对测试流程数给出不同数字，分别为71条和73条；平衡准确率从约0.58升到多图谱切空间特征的约0.726，再到最终流程的0.741，独立重跑把选中结果复现到小数点后四位。
最终模型是六个脑图谱切空间连接模型经ComBat协调后的贪心集成。 单一图谱的预测力有限，而更复杂的图神经网络和卷积网络在同一交叉验证折上并未更好。 集成相对未协调的最佳单图谱CC400（AUC 0.782）提高0.032，差值95% CI 0.013–0.044；GraphSAGE、GCN、GAT、GIN、CNN和MLP的AUC比选中模型低0.14–0.25。
启示与展望
结果来自ABIDE I的17个中心、1028名参与者（500名孤独症、528名对照）的留一中心评估，区域分析只用了C-PAC filt_global一条预处理流程。六个中心共231名参与者在第一阶段流程冻结后只评估一次，AUC为0.768；最终集成在这六个中心上的0.801不是独立测试，因为这些中心参与了它的开发。
作者指出分析仅用ABIDE I，区域分析只用一条预处理流程，需要在ABIDE II上做外部验证；各中心的最佳设置是从多个候选中选出的，应视为探索性估计而非新站点的保证准确率；ComBat协调使用了留出中心的未标注扫描，因此模型在新中心应用前需要该中心的一批扫描；预处理包含全局信号回归，连接结果相对于被移除的全局信号。最终模型在新中心上的独立测试仍然需要。