早期精神病认知功能预测：基于连接组的模型泛化性支持与限制因素分析

本研究通过连接组预测模型(CPM)探索早期精神病患者认知功能的神经预测标志物，发现默认模式网络(DMN)、躯体运动网络与认知评分显著相关，但模型准确性受社会经济地位(SES)和抗精神病药物暴露时长影响。团队利用HCP-EP队列(N=92)和独立验证集(N=18)证实，针对流体认知和总体认知的预测具有中等效度，但约30%患者因不符合"典型"临床-社会特征关联而导致误预测。该研究发表于《NPP—Digital Psychiatry and Neuroscience》，为个体化精神病诊疗提供了神经影像学生物标志物优化思路。

　　

认知功能障碍是精神分裂症等精神病性障碍的核心症状，约75%患者存在显著认知损害，且与功能预后密切相关。尽管早期干预被认为是改善预后的关键窗口期，但个体认知损害的异质性使得精准预测面临挑战。传统神经影像研究多关注群体差异，而基于机器学习的连接组预测模型(CPM)虽在个体化预测中崭露头角，其泛化性常受限于临床和社会人口学变量的复杂交互作用。

美国麻省总医院等机构的研究团队利用人类连接组计划早期精神病项目(HCP-EP)的92例患者数据，结合独立验证队列(18例)，系统评估了全脑功能连接对NIH工具箱认知评分的预测效能。研究发现：1）DMN-视觉网络耦合与流体认知正相关，而躯体运动-后压部皮层连接与总体认知负相关；2）虚拟病灶分析显示，损伤DMN使流体认知预测准确率下降11.5%，损伤躯体运动网络则使总体认知预测损失8.8%；3）模型在38%患者中出现系统性误预测，这些患者多表现为社会经济地位(SES)与认知能力的"非典型"关联模式。该成果发表于《NPP—Digital Psychiatry and Neuroscience》，揭示了神经预测模型在真实临床场景中的适用边界。

关键技术方法包括：1）基于Gordon图谱的12个静息态网络划分；2）100次70/30分割的交叉验证框架；3）特征选择采用p<0.01阈值筛选认知相关连接边；4）通过虚拟病灶分析评估网络特异性贡献；5）支持向量机(SVM)量化误预测频率；6）外部验证使用MGH本地队列的工作记忆测试数据。

主要研究结果

连接组模型预测早期精神病认知功能
通过100次交叉验证发现，模型对流体认知(r=0.29)和总体认知(r=0.30)的预测达到统计学显著性，而晶体认知预测未通过校正检验(p>0.05)。外部验证显示，当放宽特征选择阈值至p<0.05时，流体认知模型可显著预测独立队列工作记忆成绩(r=0.48)。

重要网络特征识别

DMN-视觉网络连接、背侧-腹侧注意网络耦合构成流体认知预测的核心正相关特征，而躯体运动-后压部皮层连接则是总体认知的主要负向预测因子。

虚拟病灶分析揭示网络特异性贡献

移除DMN使流体认知预测准确率显著降低(Δr=-0.115)，损伤躯体运动网络则导致总体认知预测损失(Δr=-0.088)，提示这些网络的连接模式具有预测特异性。

误预测特征解析

32-38%患者存在持续误预测，其认知能力与父母SES(r=0.48→0.27)或抗精神病药物暴露时长(r=-0.37→-0.03)的关联强度显著弱于正确预测组。反转模型符号可使这部分患者的预测相关性从r=-0.62逆转为r=0.62。

研究结论与意义
该研究首次系统评估了连接组预测模型在早期精神病认知评估中的临床适用性，揭示了三层重要发现：1）神经层面，DMN和躯体运动网络的动态耦合构成认知预测的生物学基础；2）方法学层面，模型性能受特征选择阈值显著影响，宽松阈值(p<0.05)可提升外部验证效度；3）临床层面，约1/3患者因不符合"高SES-高认知"或"长用药-低认知"的群体模式而导致预测失败。这些发现不仅为精神病精准医疗提供了可推广的神经影像标记物筛选框架，更强调了在算法开发中整合社会人口学变量的必要性。未来研究可通过误预测指数(MI)识别患者亚型，进而发展定制化预测模型，推动神经影像标记物向临床实践的转化。