精神分裂症与双相障碍的灰质-白质共变网络特征：基于数据融合机器学习与脑网络分析的疾病连续谱研究

本研究通过tIVA数据融合技术和随机森林分类，首次系统揭示了精神分裂症(SZ)与双相障碍(BD)在18个灰质-白质共变网络中的梯度差异：发现前额-颞叶网络(tIV9,14,15)是区分二者的核心生物标记，其中tIV9网络可同时鉴别三组人群。脑网络分析进一步显示SZ患者存在显著的聚类系数和连接密度异常。该研究为"扩展连续谱假说"提供了神经影像学证据，发表于《Journal of Affective Disorders》。

　　

在精神病学领域，精神分裂症(Schizophrenia, SZ)和双相障碍(Bipolar Disorder, BD)长期被视为两种独立的疾病实体。然而越来越多的证据表明，这两种疾病在临床症状、遗传风险和脑结构改变方面存在显著重叠。约60%的BD患者会出现精神病性症状，而SZ患者也常伴随情绪失调问题。这种复杂的临床表现使得临床鉴别诊断变得困难，也引发了学界对传统分类体系的质疑——这两种疾病究竟是截然不同的实体，还是同一疾病谱系的不同表现？

为解答这个问题，由Alessandro Grecucci领衔的国际研究团队在《Journal of Affective Disorders》发表了一项开创性研究。研究人员采用前沿的机器学习技术，首次系统比较了SZ、BD患者与健康对照(CTRL)的灰质(GM)和白质(WM)共变网络特征。研究基于西班牙两家医院收集的383例样本(128例SZ、128例BD和127例CTRL)，所有参与者均经过严格的性别、年龄和智商匹配。

研究主要采用三项核心技术：首先是转置独立向量分析(Transposed Independent Vector Analysis, tIVA)，这是一种能同时保留不同模态特征的数据融合方法，相比传统单变量分析能更敏感地捕捉脑区间的协同变化；其次是随机森林分类算法，用于评估识别出的脑网络对三组人群的区分效力；最后是基于图论的脑网络分析，通过计算聚类系数和网络密度等指标，定量比较各组脑功能连接的拓扑特性。

【tIVA结果】
通过tIVA成功提取出18个GM-WM共变网络，其中3个网络(tIV9,14,15)显示出SZ与BD的显著差异，主要涉及前额叶和颞叶区域。值得注意的是，tIV9网络在三组间均存在梯度变化：SZ患者异常最显著，BD居中，CTRL表现正常。这一发现首次为"扩展连续谱假说"提供了直接的神经影像证据。

【随机森林分类】
机器学习分析确认tIV9是最强的分类预测因子，其单独区分三组的准确率达72.3%。当联合其他差异网络时，模型对SZ-CTRL的区分准确率提升至81.5%，但对BD-CTRL的区分力相对较弱(68.2%)，提示BD的脑结构改变更接近健康状态。

【脑网络分析】
图论分析揭示SZ患者存在显著的全局网络重组：与CTRL相比，其聚类系数降低23%(p<0.001)，网络密度减少18%(p=0.003)，表明信息整合效率受损。而BD患者的网络参数与CTRL无统计学差异，进一步支持BD处于神经异常的中间状态。

【研究意义】
这项研究通过多模态数据融合和机器学习方法，首次绘制出SZ-BD连续谱的神经解剖学图谱。主要发现包括：1)证实前额-颞叶网络是两种疾病共享的神经基质；2)揭示tIV9网络可作为谱系鉴别的生物标志物；3)发现网络拓扑特性在SZ中受损更严重。这些发现不仅深化了对精神病连续谱的理解，也为未来开发基于脑网络的客观诊断工具奠定了基础。

研究也存在若干局限：未完全证实BD的情感核心网络假设；缺乏对精神病症状维度的直接测量；可能受药物治疗影响等。未来研究需要结合功能影像和遗传数据，进一步解析谱系疾病的神经生物学机制。总体而言，这项工作为精神病学从分类诊断向维度评估的范式转变提供了重要证据。