整合皮质下结构高分辨率T1加权磁共振影像组学与血液生物标志物的机器学习方法用于识别有自杀未遂史的抑郁症患者
《Progress in Neuro-Psychopharmacology and Biological Psychiatry》:Machine learning integrating high-resolution T1-weighted MR radiomics of subcortical structures with blood biomarkers to identify depressed patients with a history of suicide attempts
【字体:
大
中
小
】
时间:2026年10月18日
来源:Progress in Neuro-Psychopharmacology and Biological Psychiatry 5.3
编辑推荐:
- 皮层下结构的影像组学模型在识别有自杀未遂史的抑郁患者中表现出良好效果。
- 该模型由10个特征构建,主要来自尾状核和丘脑。
- 外周血KYNA和KYNA/QA是识别有自杀未遂史的抑郁患者的独立因素。
- 结合影像组学特征与血液生物标志物的列线图可能为识别有自杀未遂史的抑郁
- 皮层下结构的影像组学模型在识别有自杀未遂史的抑郁患者中表现出良好效果。
- 该模型由10个特征构建,主要来自尾状核和丘脑。
- 外周血KYNA和KYNA/QA是识别有自杀未遂史的抑郁患者的独立因素。
- 结合影像组学特征与血液生物标志物的列线图可能为识别有自杀未遂史的抑郁患者提供一种探索性工具。
**引言**
自杀在全球范围内代表着一项重大的公共卫生问题。根据世界卫生组织的数据,每年有近100万人死于自杀(World Health Organization, 2017)。先前的研究表明,约90%死于自杀的人被诊断为精神障碍,其中约40%–70%被诊断为重性抑郁障碍(MDD)(Arsenault-Lapierre et al., 2004; Rihmer, 2007)。这一证据表明,抑郁症与自杀相关结局密切相关。约80%最终死于自杀的抑郁患者在最后一次评估时被归类为低自杀风险(Busch et al., 2003; Pompili, 2019; Vuorilehto et al., 2020)。因此,迫切需要探索有前景的客观、稳健的生物标志物,独立于主观自我报告评估,以区分有自杀未遂史的抑郁患者(DP-SAs)和无自杀未遂史的抑郁患者(DP-NAs)。
近年来,越来越多的结构磁共振成像(sMRI)研究揭示了DP-SAs与DP-NAs之间脑结构/微结构上的差异。Kang等人利用局部基于体积的形态测量分析,报告了DP-SAs与DP-NAs之间多个脑区域(包括左侧杏仁核(AMY)、左侧海马(HIP)、左侧壳核(PUT)和双侧丘脑(THA))的显著体积差异(Kang et al., 2020)。基于体素的形态测量分析(VBM)显示,DP-SAs在左侧顶角回、右侧小脑(Lee et al., 2016)、尾状核(CAU)、喙前扣带回皮层(Wagner et al., 2011)、左侧边缘扣带回(Peng et al., 2014)、右侧海马、丘脑和左侧苍白球(Kim et al., 2026)呈现灰质体积(GMV)减少,但在前额叶皮层和脑岛体积增加(Rizk et al., 2019)。Zhang等人报告DP-SAs的双侧海马裂体积显著小于DP-NAs(Zhang et al., 2021)。然而,另一项研究揭示这些结构无明显体积异常(Jia et al., 2010)。这些不一致的结果可能是因为VBM反映的是皮层下结构的宏观体积,对脑结构的细微变化不太敏感(Betrouni et al., 2019);因此,DP-SAs皮层下结构的细微异常变化无法被早期检测到。影像组学涉及从医学图像中提取大量定量特征,是医学影像研究中的重要工具,其反映脑结构微观差异的能力为许多疾病的早期检测和诊断提供了很大帮助(Aerts, 2016; Michael and Jamshidi, 2014)。它也被应用于各种神经精神疾病,如阿尔茨海默病(Zhang et al., 2011)、多发性硬化(Zhang et al., 2009)和双相抑郁(Wang et al., 2020),以寻找客观的神经生物学标志物。
目前,机器学习(ML)正越来越多地应用于精神病学研究(Baminiwatta, 2022; Ray et al., 2022)。现有研究已基于神经影像特征开发了识别抑郁患者不同自杀相关结局的模型。Hu等人通过基于结构MRI的机器学习方法区分有自杀未遂史的抑郁患者与无自杀未遂史的抑郁患者,准确率达到了61.44%(Hu et al., 2023)。Hong等人利用ML方法结合sMRI衍生的皮层厚度和GMV特征区分DP-SAs与有自杀意念史的抑郁患者,曲线下面积(AUC)为0.80,准确率为78.59%(Hong et al., 2021)。一项静息态fMRI研究使用基于功能连接特征的支持向量机(SVM)分类器识别DP-SAs,准确率为78.8%(Cáceda et al., 2018)。然而,基于全脑分析的空间标准化和图像配准可能会使图像变形并改变图像本身包含的信息,从而使个体特征无法真正得到反映(Brinkmann et al., 2019)。此外,不同的ML分类器可能具有不同的性能,整合不同的ML算法可能有助于找到区分自杀未遂(SA)与非自杀未遂(NA)的最佳分类器。
此外,先前的研究表明炎症可能在抑郁症的病理生理机制中起关键作用。白细胞介素(IL)-6可减少神经元突触的塑性,从而有助于抑郁症的发展(Wang et al., 2018),且有自杀未遂史的MDD患者外周血IL-6浓度升高也已被报告(Fernández Sevillano et al., 2021)。有自杀未遂史的少年抑郁患者外周血肿瘤坏死因子(TNF)-α水平升高也已被报告(Janelidze et al., 2011)。此外,炎症细胞因子水平升高,包括IL-1、IL-6、TNF-α和干扰素(IFN)-α,可通过间接作用继发激活犬尿氨酸(KYN)代谢通路(Dowlati et al., 2010; Ng et al., 2018; Raison et al., 2009)。当免疫系统被激活时,它可以通过激活限速酶吲哚胺2,3-双加氧酶1(IDO1)和色氨酸双加氧酶2(TDO2)来增加KYN通路中色氨酸(TRP)的降解。IDO1和TDO2将TRP分解为N-甲酰犬尿氨酸,然后进一步代谢为L-犬尿氨酸(L-KYN)。KYN又可分为喹宁酸(KYNA)或3-羟基犬尿氨酸(3-HK)。进一步的分叉表明3-HK转化为吡啶酸(PIC)或烟喹啉酸(QA)(Brown et al., 2023; Paul et al., 2022; Wang et al., 2023)。KYN通路是TRP的主要分解代谢途径。作为N-甲基-D-天冬氨酸(NMDA)受体的激动剂,QA在谷氨酸受体上具有潜在的兴奋毒性特性。KYNA是一种NMDA受体拮抗剂,通常被认为可拮抗QA的毒性并发挥神经保护作用(Schwarcz and Stone, 2017)。多项研究报告,与无自杀未遂史的MDD患者相比,有自杀未遂史的患者血浆TRP浓度降低,但KYN水平和KYN/TRP比值升高(Messaoud et al., 2018; Messaoud et al., 2022)。其他研究表明,有自杀意念的抑郁患者TRP向KYN的降解增强,随后导致具有神经毒性的QA与具有神经保护作用的KYNA之间的失衡(Achtyes et al., 2020; Bay-Richter et al., 2015; Brundin et al., 2016; Erhardt et al., 2012)。因此,我们假设KYN通路的失调可能在抑郁症患者的自杀发病机制中至关重要。
先前的研究表明,炎症细胞因子、犬尿氨酸代谢以及包括CAU、AMY、THA、PUT和HIP在内的皮层下结构在抑郁症和自杀行为的神经生物学机制中起重要作用(Cha et al., 2019; Kang et al., 2020; Shao et al., 2022; Zhang et al., 2018; Zhang et al., 2021)。因此,我们假设在抑郁患者中,与单纯血液标志物或影像组学相比,基于皮层下结构的影像组学结合血液炎症因子和KYN代谢物能更好地区分有自杀未遂史的抑郁患者与无自杀未遂史的抑郁患者。为验证这一假设,我们从高分辨率T1加权图像中提取皮层下结构的影像组学特征,并使用四种特征选择方法和四种ML分类算法的不同组合来探索哪个皮层下结构最显著,并确定区分有自杀未遂史的抑郁患者与无自杀未遂史的抑郁患者的最稳健的组合模型。此外,我们随后将血液标志物与影像组学特征整合以开发和评估可视化列线图,从而为识别有自杀未遂史的抑郁患者与无自杀未遂史的抑郁患者提供初步的概念验证建模。
**参与者**
2018年9月至2023年6月间,本研究共纳入164例抑郁患者,其中包括60例DP-SAs和104例DP-NAs。所有受试者均由精神科医生根据《精神障碍诊断与统计手册》第五版(DSM-5)进行诊断。自杀未遂定义为有结束生命意图的自我伤害行为但未导致死亡;若无自杀行为(包括自杀想法但未实施),则…
**人口统计学和临床数据**
60例DP-SAs和104例DP-NAs的人口统计学和临床特征见表1,两组在年龄、性别、自杀家族史、精神病家族史或饮酒史方面无统计学显著差异,而吸烟史在两组间存在统计学显著差异。在41例DP-SAs和47例DP-NAs的子集中测量了外周炎症因子和KYN通路代谢物,具有统计学显著…
**讨论**
在本研究中,我们从高分辨率T1加权MRI图像中的皮层下结构提取影像组学特征,并采用四种特征选择方法和四种ML分类器筛选区分有自杀未遂史的抑郁患者与无自杀未遂史的抑郁患者的最佳模型。我们发现,在10个皮层下脑区域中,右侧CAU和双侧THA比其他脑区域具有更高的诊断性能,RFE_LDA组合模型…
**结论**
本研究揭示,高分辨率T1加权图像中皮层下结构的影像组学特征,尤其是CAU和THA的特征,可能是识别DP-SAs的潜在生物标志物。此外,结合影像组学特征与外周血KYNA或KYNA/QA的列线图在识别DP-SAs中表现出良好的识别能力,可能为识别DP-SAs提供初步的概念验证建模。
**CRediT作者贡献声明**
Yurong Zheng:写作 – 原稿撰写、验证、方法学、形式分析、数据整理。Li Han:验证、方法学、形式分析、数据整理。Minmei Zou:方法学、数据整理。Jie Wang:方法学、数据整理。Mingling Yu:数据整理。Ning Cui:数据整理。Xiaofei Lu:数据整理。Wei Lei:方法学、数据整理。Guangxiang Chen:写作 – 审阅与编辑、监督、经费获取、概念构思。
**伦理声明**
所有参与者或其法定代理人均已书面同意参与本研究并同意发表文章。参与者的隐私权已得到尊重。
本研究符合研究所在地的相关法律法规、法规框架和指南。本研究经西南医科大学附属医院批准(批准号:KY2020190)。
**伦理声明**
本研究经西南医科大学附属医院伦理委员会批准,并根据《赫尔辛基宣言》获得所有参与者的书面知情同意。
**利益冲突声明**
作者声明不存在利益冲突。
**致谢**
本研究由中国四川省科技计划(资助编号:2025ZNSFSC0646)、四川省中医药管理局项目(资助编号:2023MS083)、泸州市科技部门(资助编号:2022-SYF-60)和西南医科大学附属医院doctor项目(资助编号:2018-17129)资助。
Yurong Zheng | Li Han | Minmei Zou | Jie Wang | Mingling Yu | Ning Cui | Xiaofei Lu | Wei Lei | Guangxiang Chen