基于距離相關功能連接網絡的機器學習模型在精神分裂癥診斷中的價值

蘇乾 趙睿 楊帆 劉懷貴

精神分裂癥在全球發病率較高，其診斷主要基于臨床醫生的經驗性評估，缺乏客觀有效的生物學或影像學標志物，這給精神分裂癥的早期發現帶來了很大的困難[1-2]。目前，靜息態功能MRI（resting state functional MRI，rs-fMRI）已被用于精神疾病的診斷研究，基于rs-fMRI 的腦網絡分析能夠刻畫出有意義的靜息態腦網絡，其中功能連接（functional connectivity，FC）為構建準確、客觀的精神分裂癥診斷模型提供了基礎[3-4]。近年來，人工智能的相關算法被廣泛應用于rs-fMRI 數據的分析[5]。基于機器學習算法的多變量模式分析（multi-variate pattern analysis，MVPA）能夠高效地檢測不同條件下大腦功能連接空間分布模式的微小差異，有助于提高診斷模型的精確性[6-7]。有研究[8]顯示，采用支持向量機（support vector machine，SVM）算法對精神分裂癥進行基于FC 網絡的分類診斷能夠獲得相對滿意的結果。既往研究[9-10]中多采用基于Pearson 相關的FC（FC based on Pearson correlation，FCP）網絡探究精神分裂癥的異常腦區，但容易丟失腦區內多個體素構成的模式信息，且計算方法僅考慮線性關系。而基于距離相關的FC（FC based on distance correlation，FCD）網絡作為新興的刻畫腦區間FC 的方法，能夠表征腦區內各體素間的線性與非線性關系[11]，較FCP網絡提供的信息更為豐富。目前尚未見采用FCD網絡及SVM 對精神分裂癥病人進行診斷的研究。本研究分別將 FCP網絡、FCD網絡、FCP和 FCD網絡融合特征納入基于SVM 算法的分類模型，評估模型對精神分裂癥進行診斷的準確性，為構建精神分裂癥的客觀神經影像診斷模型提供新的依據。

1 資料與方法

1.1 研究對象 前瞻性收集2018 年1 月—2020年12 月于天津醫科大學總醫院確診的精神分裂癥病人 103 例，納入標準：①年齡 16～60 歲；……