AI增强诊断技术助力老年极晚发精神分裂症样精神病：迈向痴呆预防的新一步

随着全球老龄化加剧，60岁以上人群的极晚发精神分裂症样精神病(VLOSLP)诊断面临与痴呆鉴别的重大挑战。伊朗伊斯兰阿扎德大学的研究团队创新性地结合生成对抗网络(GAN)和Zernike矩特征提取技术，通过支持向量机(SVM)对COBRE和MCICshare数据库的MRI图像进行分析，在数据有限情况下实现AUC 0.98的分类性能。该研究为早期识别痴呆高风险群体提供了可靠的影像学生物标志物。

　　

全球老龄化浪潮下，60岁以上人群中极晚发精神分裂症样精神病(VLOSLP)的早期诊断面临严峻挑战。这种发病于花甲之年后的特殊精神障碍，不仅症状表现复杂，更与痴呆发展存在密切关联——研究表明VLOSLP患者进展为痴呆的风险显著增高。然而，由于老年大脑特有的神经生物学改变与多种共病因素交织，传统诊断方法往往力不从心，亟需开发客观精准的辅助工具。

伊朗伊斯兰阿扎德大学医学科技学院生物医学工程系的Ali Allahgholi和Ava Mazhari团队在《Neuroscience Informatics》发表创新研究，通过人工智能技术破解这一临床难题。研究人员从SchizoConnect平台获取COBRE和MCICshare数据库中60岁以上患者的MRI影像，在数据量有限的情况下，巧妙运用生成对抗网络(GAN)生成合成图像扩充样本，采用Zernike矩提取脑结构特征，最终通过支持向量机(SVM)分类器实现高达98%的AUC值，为临床提供了可靠的客观诊断依据。

关键技术路线包含四个核心环节：首先对原始MRI进行非局部均值(NLM)去噪、Z-Score标准化和SynthStrip头骨剥离预处理；随后通过旋转、翻转等数据增强手段生成450张训练图像，并利用GAN生成1000张合成图像；特征提取阶段采用具有旋转不变性的Zernike矩计算从Z₄⁰到Z₆⁶的特征；最后通过ReliefF算法筛选关键特征输入SVM分类器，优化后的高斯核参数(核尺度0.08，框约束0.792)展现出优异性能。

4.1 实验设置
通过FID(12.45)和SSIM(0.89±0.03)验证合成图像质量，U-Net分割显示合成与真实图像在颞叶等关键区域的Dice相似系数达0.794，证实其解剖学合理性。

4.3 特征提取
Zernike矩以97.1%的LOSO验证准确率显著优于小波变换(91.25%)、Gabor滤波(89.8%)和LBP(87.45%)，其正交多项式特性可有效捕捉脑结构全局形态特征。

4.4 SVM性能
在40次重复验证中达到99.03±1.84%的准确率，特异性96.16%表明极低的健康人群误诊率。对比实验显示SVM显著优于k-NN(最高94%)、集成方法(最高96.3%)和神经网络(最高90%)。

这项研究开创性地建立了VLOSLP的影像学诊断框架，其重要意义体现在三个方面：技术上，GAN解决小样本问题的创新方案为医学影像分析提供新思路；临床上，高精度分类模型助力早期识别痴呆高风险人群；方法学上，Zernike矩的特征提取优势为神经精神疾病影像诊断开辟新途径。研究者特别指出，该模型未来需在更大样本中验证，并建议整合多模态数据提升预测效能。这项成果标志着人工智能在老年精神健康领域应用的重要突破，为构建痴呆预防体系提供了关键技术支持。