从体素到模型：一项基于多中心体素形态学分析的研究，识别用于深度学习分类精神分裂症的稳健生物标志物

《Brain Imaging and Behavior》：From voxels to models: a multi-center voxel-based morphometry study identifying robust biomarkers for deep learning classification of schizophrenia

　　

摘要

背景

深度学习在精神分裂症等精神障碍领域的应用滞后于神经肿瘤学，主要归因于缺乏可识别的神经解剖靶点以及跨站点泛化性的担忧。

方法

为此，我们分析了来自三个独立数据集（COBRE、FBIRN、SLIM）的多中心研究中401名受试者（194例精神分裂症患者，207例健康对照）的结构性磁共振成像（MRI）数据。我们采用了一种两阶段保守的基于体素的形态学分析（VBM）方法，即将发现数据集（COBRE）中确定的神经解剖区域在独立重复数据集（FBIRN、SLIM）中进行严格验证。通过此验证的神经解剖特征随后用于训练支持向量机（SVM）分类器，并采用严格嵌套交叉验证以防止数据泄漏。

结果

共识别出15个稳健的结构性生物标志物，在所有数据集中一致表现出额叶和颞叶灰质减少、白质改变以及脑室扩大。在初始分析中，SVM分类器达到曲线下面积（AUC）0.94、准确率89.5%；严格嵌套交叉验证进一步确认了其稳健性能（AUC = 0.93，准确率 = 88.7%）。模型在留一数据集外验证中维持了高性能（AUC = 0.90–0.93），证明了其在不同站点未见数据上的泛化能力。标签置换检验确认该特征集反映了真实的神经解剖信号而非统计伪影（p < 0.001）。

结论

本研究展示了一套经多中心验证的、与精神分裂症相关的稳健结构性生物标志物，能够实现高精度的病例-对照分类。所识别的特征集为未来深度学习模型提供了候选神经生物学基准，有助于推动精神科自动诊断支持系统的发展，同时承认未来仍需进行多诊断验证以确立其鉴别诊断价值。