基于可解释多模态人工智能的边界型人格障碍自杀未遂者分类模型：一项初步研究

《Scientific Reports》：An explainable multimodal artificial intelligence model for classifying suicide attempters with borderline personality disorder: a pilot study

为解决BPD患者自杀风险识别工具匮乏的临床难题，本研究开发了名为DRAMA-BPD的可解释多模态AI模型。该模型整合了社会人口学、临床及MRI数据，在区分BPD患者中的自杀未遂者方面取得了平衡准确率0.68、AUC 0.68的初步性能。SHAP分析揭示了右半球喙前扣带回皮层厚度、左半球前下托体积等关键生物标志物，为理解BPD自杀行为的神经生物学机制提供了新视角。

　　

论文解读

研究背景：BPD患者自杀风险识别的临床困境与AI机遇

边界型人格障碍（Borderline Personality Disorder, BPD）是一种以情绪失调和情感不稳定为特征的重性精神障碍，在普通人群中的患病率约为0.7%至2.7%。BPD患者是自杀行为的高危人群，据估计，高达73%的BPD患者一生中平均会有3次自杀未遂，其中约10%的案例最终导致死亡。尽管自杀预防是精神科临床实践中最严峻的挑战之一，但准确识别BPD患者中具有高自杀风险的人群却异常困难。BPD患者常表现出慢性的自杀意念，其强度随时间和应激性生活事件波动，但单纯的意念并不能有效预测自杀行为。虽然既往的自伤和自杀未遂史是后续自杀行为的重要风险因素，但其对诊断准确性的贡献有限，仅略高于随机水平。

近年来，机器学习（Machine Learning, ML）算法被应用于识别自杀未遂者（Suicide Attempters, SAs）与非自杀未遂者（Non-Attempters, NAs）。然而，现有研究普遍存在一些方法学局限，如过拟合、缺乏独立验证、以及类别不平衡等问题，限制了模型的泛化能力和临床实用性。此外，大多数模型缺乏可解释性，被视为“黑箱”，难以理解其决策依据，这阻碍了其在临床决策中的信任和应用。因此，开发一种能够整合多模态数据、具有良好泛化能力且可解释的人工智能工具，对于BPD患者的自杀风险识别和干预策略制定具有重要的临床意义。

研究方法：DRAMA-BPD模型的构建与验证

为了填补这一空白，来自意大利Fatebenefratelli圣乔瓦尼迪迪奥中心神经信息学实验室的Claudio Crema等研究人员开展了一项初步研究，旨在开发一个可解释的多模态人工智能模型，用于区分BPD患者中的自杀未遂者。该研究于2025年12月19日在线发表于《Scientific Reports》杂志。

研究人员开发了名为DRAMA-BPD（Detecting Retrospective suicide Attempts with Machine learning Approaches in Borderline Personality Disorder）的模型。该模型是一个基于集成分类器的可解释多模态人工智能工具，其训练数据来源于两个独立的队列研究：意大利的CLIMAMITHE研究和墨西哥的SUDMEX_CONN研究。最终纳入分析的样本包括104名BPD患者，其中自杀未遂者47人（45%），非自杀未遂者57人（55%），形成了一个类别平衡的数据集。

研究整合了社会人口学、临床评估（如症状自评量表SCL-90-R、情绪调节困难量表DERS等）以及磁共振成像（Magnetic Resonance Imaging, MRI）数据。MRI数据包括T1加权3D结构像和弥散张量成像（Diffusion Tensor Imaging, DTI），并利用FreeSurfer等标准流程提取了皮层厚度、皮层下体积、白质低信号（White Matter hypointensities, WM-hypo）体积等生物标志物。为了消除不同扫描设备和队列间的差异，研究人员采用了NeuroHarmonize模型对神经影像数据进行了协调处理。

在模型构建方面，研究采用了严谨的机器学习流程。首先，通过随机森林（Random Forest, RF）特征重要性排序和方差膨胀因子（Variance Inflation Factor, VIF）分析，从345个候选特征中筛选出最相关的特征，最终保留了4个关键特征。随后，研究人员测试了多种机器学习模型，包括支持向量机（Support Vector Machine, SVM）、随机森林、朴素贝叶斯（Naive Bayes, NB）以及多种集成模型。最终，由SVM、RF和NB组成的集成分类器被选为最佳模型。为了增强模型的可解释性，研究采用了SHapley Additive exPlanations（SHAP）方法，以量化每个特征对模型预测结果的贡献度。

研究结果

1. 关键特征识别

特征选择过程确定了4个对模型分类贡献最大的特征，其中3个为MRI衍生特征，1个为临床量表特征：

• •
  右半球喙前扣带回（Right Hemisphere Rostral Anterior Cingulate, RH_rACC）厚度：自杀未遂组的RH_rACC皮层厚度显著高于非自杀未遂组。
• •
  左半球前下托（Left Hemisphere Presubiculum, LH_PRS）体积：自杀未遂组的LH_PRS体积显著低于非自杀未遂组。
• •
  白质低信号（WM-hypo）体积：自杀未遂组的WM-hypo体积有增大的趋势。
• •
  症状自评量表90修订版（SCL-90-R）总分：自杀未遂组的SCL-90-R总分有增高的趋势。

2. 模型性能

DRAMA-BPD模型在十折交叉验证中表现出中等但具有统计学意义的预测性能：

• •
  平衡准确率（Balanced Accuracy）：0.68（95% CI: 0.63-0.72）
• •
  灵敏度（Sensitivity）：0.58（95% CI: 0.53-0.63）
• •
  特异性（Specificity）：0.77（95% CI: 0.67-0.86）
• •
  受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）：0.68（95% CI: 0.63-0.72）

3. 特征贡献度分析

SHAP分析揭示了各特征对模型决策的贡献模式：

• •
  RH_rACC厚度：是该模型最重要的预测因子。较高的RH_rACC厚度与自杀未遂者的分类呈正相关。
• •
  LH_PRS体积：是第二重要的预测因子。较低的LH_PRS体积与自杀未遂者的分类呈正相关。
• •
  WM-hypo体积：较大的WM-hypo体积轻微增加了模型将个体分类为自杀未遂者的概率。
• •
  SCL-90-R总分：较高的SCL-90-R总分轻微增加了模型将个体分类为自杀未遂者的概率。

结论与意义

本研究成功开发了DRAMA-BPD模型，这是首个专门针对BPD患者自杀未遂史进行分类的可解释多模态人工智能模型。该模型在中等样本量下取得了初步的预测性能，证明了整合多模态数据（特别是神经影像学数据）在识别BPD患者自杀风险方面的可行性。

研究最重要的发现之一是，神经影像学特征在模型分类中发挥了关键作用。SHAP分析将右半球喙前扣带回（RH_rACC）的皮层厚度确定为最重要的预测因子。这一发现与既往研究存在不一致性，部分研究报道自杀行为与rACC灰质减少有关，而另一些研究则发现高致死性自杀未遂者的rACC体积增加。作者推测，这种增厚可能反映了神经炎症过程、神经发育过程中突触修剪机制的低效，或是对早期生活逆境的神经可塑性适应性反应。左半球前下托（LH_PRS）体积的减少也与自杀未遂者的分类相关，这与BPD患者海马体积普遍减小的文献证据一致，但将其与自杀行为直接关联的研究尚不多见。

该研究的方法学严谨性值得关注。通过合并两个独立队列的数据，研究不仅增加了样本量，还引入了数据异质性，这有助于提高模型在未来独立数据集上的泛化能力。采用NeuroHarmonize进行数据协调，有效控制了不同扫描设备和队列间的技术差异。此外，研究采用了特征提取策略，将特征数量从345个减少到4个，显著降低了过拟合的风险。最重要的是，研究通过SHAP方法实现了模型的可解释性，使临床医生能够理解模型做出特定预测的依据，这对于建立临床信任和指导干预策略至关重要。

然而，本研究也存在一些局限性。首先，样本量相对较小，且缺乏独立的外部验证队列，这限制了模型性能的泛化性评估。其次，该模型是回顾性的，旨在区分有自杀未遂史的患者，而非预测未来的自杀行为。因此，其临床实用性需要通过前瞻性队列研究进行进一步验证。

综上所述，DRAMA-BPD模型为BPD患者的自杀风险识别提供了一个有前景的、可解释的多模态人工智能框架。它不仅证明了神经影像学在精神疾病风险分层中的价值，也为未来开发更精准、更可靠的临床决策支持工具奠定了基础。