基于改进DenseNet模型的MentalAId系统：利用常规血液检测实现精神病谱系障碍的规模化评估

本研究针对COVID-19大流行背景下日益严峻的精神健康危机，开发了基于改进DenseNet算法的MentalAId模型。该系统通过分析49项常规血液检测指标和人口统计学变量，在28,746人的多中心队列中实现了93.3%的精神病识别准确率（AUC=0.983），特别对初发精神病（FEP）保持91.9%的判别效能。该研究为精神障碍的早期筛查提供了经济、可扩展的解决方案，同时揭示了间接胆红素（IBIL）、嗜碱性粒细胞比例（BASO%）等新型代谢标志物。

　　

在全球精神健康危机日益加剧的背景下，精神病谱系障碍的诊断仍面临重大挑战。传统基于症状量表的评估方法（如DSM-5或ICD-10标准）高度依赖专科医生的经验判断，在早期识别和规模化筛查方面存在明显局限。特别是在COVID-19大流行期间，精神健康问题呈爆发式增长，亟需开发客观、经济且可扩展的诊断工具。然而现有基于脑成像或脑电图的生物标志物检测成本高昂，而单一血清标志物又缺乏足够的特异性和敏感性。

厦门大学生命科学学院细胞应激生物学国家重点实验室的研究团队在《BMC Psychiatry》发表了一项突破性研究。该团队开发了名为MentalAId的智能诊断系统，通过改进密集连接卷积网络（DenseNet）算法，仅需常规血液检测数据即可实现精神病谱系障碍的高精度识别。这项研究创新性地将49项常规血液检测指标（包括17项全血细胞计数CBC和32项综合代谢面板CMP）与年龄性别等人口统计学特征相结合，在包含28,746人的多中心队列中验证了模型效能。

研究采用的关键技术包括：1）多中心数据采集（厦门仙岳医院和厦门大学附属第一医院）；2）改进的DenseNet架构，通过Jonker-Volgenant算法优化血液指标的空间排列；3）十折交叉验证和三个独立验证集（异常值数据集、缺失值数据集和FEP数据集）评估；4）集成梯度（IG）算法进行特征重要性分析。

研究方法

研究团队收集了39,434例受试者的临床数据，涵盖四类人群：非初发精神病住院患者（PS，n=9,271）、多种疾病住院患者（MI，n=14,508）、健康对照（HC，n=1,826）和初发精神病患者（FEP，n=3,141）。通过严格的数据预处理（包括离群值检测、特征裁剪和归一化），最终构建了包含28,746条记录的训练数据集。

主要结果

模型性能验证
MentalAId在十折交叉验证中表现出色，准确率达93.3%（AUC=0.983）。在包含3,047例极端异常值的独立验证集上保持92.4%的准确率（AUC=0.942），对5,641例缺失值数据（经k-NN插补后）的判别准确率为92.0%。特别值得注意的是，模型对初发精神病（FEP）的识别准确率达到91.9%（AUC=0.966），显示出优异的早期识别能力。

生物标志物发现
统计分析发现精神病患者与对照组的间接胆红素（IBIL）、直接胆红素（DBIL）和嗜碱性粒细胞比例（BASO%）存在显著差异（p<0.01）。模型解释性分析进一步证实这三个指标在分类决策中具有关键作用，其中DBIL和BASO%分别位列特征重要性排名的第1位和第6位。

讨论与结论

该研究突破了传统精神病诊断的局限性，首次证明常规血液检测数据通过深度学习算法可有效识别精神病谱系障碍。MentalAId系统具有三大创新价值：1）临床实用性——仅需常规血液检测，无需额外检查即可整合到现有医疗流程；2）早期识别——对初发精神病保持高灵敏度；3）机制提示——发现IBIL、DBIL等新型代谢标志物，为精神病发病机制研究提供新方向。

研究也存在一定局限，如样本主要来自中国南方地区，且未纳入神经递质等分子标志物。未来研究可通过多中心验证和补充其他生物标志物进一步提升模型性能。这项工作为精神健康的规模化筛查提供了切实可行的解决方案，特别是在资源有限地区或公共卫生危机期间具有重要应用价值。