编辑推荐：
为解决精神病早期诊断及高临床风险（CHR）人群向精神病转化预测难题，研究人员以分形维数（FD）为结构磁共振成像（sMRI）特征，纳入多组人群开展机器学习分类研究，算法平衡准确率＞0.77，表明 FD 可作预测标记，为病情监测提供新方向。
在精神疾病研究领域，精准预测精神病的发生及病程进展一直是临床与科研的重点和难点。目前，精神病的诊断主要依赖临床症状，如妄想、思维形式障碍等，但神经影像学尚未成为常规诊断手段。对于高临床风险（CHR）人群，虽可通过超高风险标准或基本症状识别，但 CHR 标准预测精神病的特异性较低（47%），仅有 20%-36% 的 CHR 个体最终发展为精神病，因此亟需结合影像学标记提升预测准确性。脑结构的异常与精神病密切相关，分形维数（Fractal Dimension，FD）作为反映脑微结构复杂性和不规则性的指标，已在帕金森病、阿尔茨海默病等神经精神疾病中展现出潜在价值，但其在精神病早期预测中的作用尚不明确。
为探索 FD 作为生物标志物的潜力，瑞士巴塞尔大学精神病学系的研究人员开展了相关研究。该研究成果发表在《Computers in Biology and Medicine》上，旨在通过机器学习分析 FD 特征，实现对首发精神病（First-Episode Psychosis，FEP）、未转化为精神病的高临床风险人群（CHR_NT）、转化为精神病的高临床风险人群（CHR_T）和健康对照（Healthy Controls，HC）的分类，并预测 CHR 人群向精神病的转化。
研究主要采用以下关键技术方法：
- 数据来源：纳入 194 例受试者的结构磁共振成像（sMRI）数据，包括 44 例 HC、77 例 FEP、16 例 CHR_T 和 57 例 CHR_NT，数据来自巴塞尔大学医院的 FePsy 研究项目，CHR 人群随访最长 5 年，其状态通过巴塞尔精神病筛查工具（BSIP）评估。
- 图像预处理：使用 SPM12 软件包中的 Cat12 工具箱对图像进行预处理，分割为灰质（GM）、白质（WM）和脑脊液（CSF）。
- 机器学习分析：在五种分类模式下（FEP vs. HC、FEP vs. CHR_NT、FEP vs. CHR_T、CHR_NT vs. CHR_T、CHR_NT vs. HC、CHR_T vs. HC）提取 FD 特征并进行分类模型构建，以 CHR_T 组作为部分比较的外部验证。
研究结果
不同分组的 FD 特征分类性能
在 FEP 与 HC 的分类中，基于 FD 特征的机器学习算法实现了较高的平衡准确率，表明 FD 能有效区分精神病患者与健康人群的脑微结构差异。FEP 与 CHR_NT 的对比显示，FD 特征在区分首发精神病患者与未转化的高风险人群时也具有一定效能，提示 FD 可能反映疾病进展阶段的脑结构变化。
CHR_T 的 FD 特征模式验证
通过将 CHR_T 作为外部验证组，发现其 FD 特征更接近 FEP 组而非 CHR_NT 或 HC 组，表明转化为精神病的高风险人群在脑微结构复杂性上与首发精神病患者具有相似性，提示 FD 特征可预示 CHR 人群的转化风险。
算法整体性能
研究提出的机器学习算法在各分类模式中均取得了平衡准确率＞0.77 的结果，验证了 FD 结合机器学习在精神病预测中的有效性，为基于神经影像的精神病早期识别提供了新的技术路径。
研究结论与讨论
本研究首次将 FD 与放射组学特征结合用于精神病预测，证实 FD 可作为一种预测性神经影像标记，为揭示精神病病程中脑微结构改变提供了新视角。研究结果表明，FD 特征能够有效区分精神病患者与健康人群、不同临床状态的高风险人群，且 CHR_T 的 FD 模式与 FEP 相似，提示 FD 可能反映疾病进展的潜在生物学过程。尽管研究样本中 CHR_T 人数较少，需更大数据集进一步验证，但该研究为整合神经影像标记与机器学习模型用于精神病的早期检测和预后评估奠定了基础，有望推动个性化诊疗策略的发展，助力实现精神病的 “精准预防” 与早期干预。
