基于兴奋/抑制比率优化的自闭症与精神分裂症多模态分类模型

针对自闭症(AT)与精神分裂症(SZ)的临床表型重叠导致的鉴别诊断难题，研究人员通过静息态功能磁共振(rsfMRI)量化兴奋/抑制比率(E/I ratio)的神经标记——赫斯特指数(Hurst exponent, H)，结合临床症状量表(PANSS/ADOS)及社会认知指标(EQ/BVAQ/IQ)，构建随机森林分类模型。研究发现：基于53个脑区H值的分类在探索数据集(AUC=84%)优于复制数据集(AUC=72%)；多模态融合模型(E/I+表型+认知)在独立验证中达到最高鉴别效能(AUC=83%)，证实E/I比率可增强传统表型数据的诊断价值。

　　

论文解读

诊断迷雾中的双生子：神经机制照亮自闭症与精神分裂症鉴别之路
自闭症(AT)与精神分裂症(SZ)虽为独立诊断，却共享社会认知缺陷、感觉处理异常等表型特征，临床鉴别依赖的症状量表（如自闭症诊断观察量表ADOS、阳性和阴性综合征量表PANSS）特异性不足。更棘手的是，约4%的患者存在共病，且神经影像学研究揭示二者在默认模式网络等功能连接上存在"异向异常"——例如SZ的感觉-默认网络连接增强而AT减弱。近年研究指出，兴奋/抑制平衡(E/I ratio)失调可能是共有的神经机制：AT的E/I升高源于γ-氨基丁酸(GABA)能抑制不足，而SZ的E/I失衡则与谷氨酸能兴奋过度及多巴胺调制异常相关。然而，这种失衡是否在两类疾病中呈现脑区特异性差异？能否成为新型鉴别生物标志物？

为解答这些问题，美国奥林神经精神病学研究中心(Olin Neuropsychiatry Research Center)联合耶鲁大学医学院的研究团队开展了一项开创性研究。他们创新性地将rsfMRI衍生的赫斯特指数(H)——一种通过非分形分析(nonfractal toolbox)计算的E/I比率代理指标——与多维度临床表型整合，构建机器学习分类模型。成果发表于《Translational Psychiatry》，首次证明E/I神经标记可突破传统量表的诊断瓶颈。

核心技术方法
研究采用双队列验证框架：

1. 探索数据集(n=1074)：整合公开数据库(ABIDE I/II, B-SNIP等)的519名典型发育者(TD)、200名AT和355名SZ的rsfMRI数据，通过NeuroMark模板提取53个脑区的独立成分(ICA)，计算各成分时间序列的H值。
2. 复制数据集(n=124)：本地采集55名TD、30名AT和39名SZ的rsfMRI及完整表型数据（PANSS三因子、ADOS总分、IQ、共情商数EQ、述情障碍问卷BVAQ）。
3. 分类策略：基于探索集筛选H值最重要的10个脑区，在复制集比较五类模型：(a)纯H值；(b)纯症状(PANSS+ADOS)；(c)症状+认知(PANSS+ADOS+IQ+EQ+BVAQ)；(d)H值+症状；(e)全模态组合。

---

研究结果解析

1. 组间E/I比率的空间异质性

• 探索数据集：53个脑区均显示显著组间差异（p_fdr<0.05），效应最强(η²≥0.06)的脑区包括感觉运动域（中央旁小叶IC10/13）、视觉域（距状回IC17、梭状回IC22）、认知控制域（岛叶IC27、额下回IC30/31）及默认网络（前扣带回IC47）。
• 复制数据集：控制年龄/性别/IQ/头动后，感觉运动区（左侧中央后回IC9、中央旁小叶IC10）和视觉区（枕中回IC18、舌回IC24）的H值差异最显著，提示这些区域是跨队列稳定的E/I失调靶点。

2. 分类效能：神经标记与表型数据的协同效应

模型	AUC	敏感度	特异度
(a) 纯H值(10脑区)	72%	64%	67%
(b) 纯症状量表	78%	65%	73%
(e) 全模态融合	83%	68%	79%
关键发现：

• 仅用10个脑区H值即可达到72%的AUC，证明E/I比率本身具有鉴别潜力
• 多模态模型(e)显著优于纯症状模型(b)（ΔAUC=5%, p<0.01）
• 误判分析揭示：SZ的准确率随特征添加稳步提升，而AT在纯H值模型中误判最少（图1B）

3. 特征重要性：视觉与默认网络的枢纽地位

• H值特征：前扣带回(IC47)、中央前回(IC14)、枕下回(IC23)权重最高
• 表型特征：ADOS总分 > PANSS阳性/阴性症状
• 认知特征：IQ的贡献度最高，但剔除后模型效能不变（AUC=83%），排除混淆效应

4. 药物干扰排除
抗精神病药物（氯丙嗪当量）与SZ组的H值无相关性（p>0.05），佐证结果不受药物影响。

---

结论与转化意义
本研究首次实现E/I比率从机制研究向诊断工具的跨越：

1. 神经机制层面：证实AT与SZ虽共享E/I失衡框架，但失衡模式存在脑区特异性——SZ在感觉-视觉皮层呈现更显著的E/I升高（H值降低），而AT的E/I异常更弥散且异质性更高，这解释了为何传统量表难以捕捉其独特性。
2. 临床工具层面：
   • 突破单一模态局限：纯影像模型(AUC 72%)已接近传统量表(AUC 78%)，而融合模型将鉴别效能推至83%
   • 优化误判分布：神经标记可减少"假阴性AT"（被量表遗漏的自闭症患者），而表型数据降低"假阳性SZ"
3. 治疗启示：视觉与感觉运动皮层作为关键鉴别靶点，为开发感觉处理定向干预（如布美他尼调节GABA活性）提供新方向。

正如通讯作者Michal Assaf强调："E/I比率不仅是病理机制的透镜，更是穿透临床表型迷雾