《Translational Psychiatry》：Predicting trail-making test performance using 7-Tesla structural cerebral MRI
编辑推荐：
精神药物治疗（psychopharmaceutical therapy）在疗效方面未见到改善，这凸显出需要更个体化的治疗方法，以最优方式利用药物效应。为实现这一目标，有必要识别能够预测心理属性（psychological attributes）和治疗结局（tr
精神药物治疗（psychopharmaceutical therapy）在疗效方面未见到改善，这凸显出需要更个体化的治疗方法，以最优方式利用药物效应。为实现这一目标，有必要识别能够预测心理属性（psychological attributes）和治疗结局（treatment outcomes）的因素。研究人员假设脑形态学（brain morphology）可作为心理测试表现的预测因子。使用7-Tesla-MRI系统测量了74名跨诊断患者（transdiagnostic patients）和41名健康对照（healthy controls）。确定基于Schaefer 100 Atlas分割（parcellation）的灰质体积（grey matter volume, GMV）、皮层厚度（cortical thickness）和脑回化（gyrification）值。利用这些形态学数据，借助深度学习模型（deep learning model）预测Trail-Making Test (TMT)-A和-B表现。进行SHAP分析（Shapley Additive Explanations, SHAP）以识别对模型重要的关键变量。预测TMT表现的准确率（accuracy）非常好，为0.795。影响预测的最决定性特征为脑回化（gyrification）。提示组间差异的区域集中于额叶皮层（frontal cortex），以及颞叶（temporal）和顶叶（parietal）区域。形态学特征可以高准确度预测测试表现。这些结果支持在临床实践中实施跨诊断方法（transdiagnostic approach），以更好应对潜在病理生理学（pathophysiology）。基于神经影像数据（neuroimaging data）的症状预测似乎是一个可实现的目标。
研究背景方面，精神药物治疗是许多精神疾病治疗的重要基石，常对症状改善不可或缺，但其有效性近几十年停滞。该停滞可归因于健康生理和病理状态所依赖的大脑过程极其复杂且不透明。既往研究已在组水平揭示心理测试结果与脑形态或功能改变之间的相关性，但这些发现难以转化为治疗改进，因为在个体水平不能可靠重复。迄今尚无已知方法能够预测哪一类抗抑郁药会在特定病例中有效改善症状。因此，识别最适合个体患者的治疗具有重要价值。数据分析进展，尤其是现代深度学习模型（deep learning model, DLM），有望基于生物标志物提供个体化预后。研究人员假设人工智能算法能够基于超高峰值7T-MRI系统测得的体积和表面参数组合预测认知表现。该研究旨在增进对客观心理参数可预测性的认识，独立于特定病理，并在个体水平基于生物标志物进行预测；同时通过10次外部留出循环处理泛化性问题，并通过SHAP分析处理透明性问题，将深度学习方法引入临床研究。此类研究对开发更个体化治疗概念、最大化现有治疗有效性以及在未来数十年潜在推动患者护理进步具有关键重要性。
研究人员开展的研究为：使用7-Tesla-MRI系统测量74名跨诊断患者和41名健康对照，基于Schaefer 100 Atlas分割确定灰质体积（grey matter volume, GMV）、皮层厚度（cortical thickness, CT）和脑回化（gyrification）值，并使用DLM预测Trail-Making Test (TMT)-A和-B表现。结果平均准确率为0.795，中位准确率为0.795，最低0.682，最高0.891；最终迭代验证损失为0.602，验证准确率为0.773。影响预测的最决定性特征为gyrification，模型也依赖多个区域的GMV，如顶叶、额叶和枕叶皮层。结论表明，大脑形态学特征可以高准确度预测测试表现，支持在临床实践中采用跨诊断方法，以更好应对潜在病理生理学。其意义在于，基于神经影像数据的症状预测似乎是可实现目标，并可能为更个体化治疗和精神病学分类提供基础。
关键技术方法（不超过250字）：样本队列来源于Universit?tsklinik Aachen，包括74例跨诊断患者（平均年龄32.08，标准差11.44）和41名健康对照（平均年龄29.00，标准差10.52），健康参与者经Mini International Neuropsychiatric Interview (M.I.N.I.)评估。MRI使用7T Magnetom Terra，MP2RAGE序列。DICOM转换为NIfTI后，采用CAT12.9进行体素形态测量（voxel-based morphometry, VBM），并以Schaefer 100 Atlas分割；表面处理使用projection-based thickness (PBT)估计CT和gyrification，并配准至FsAverage模板。心理测量为TMT-A和TMT-B。分类采用前馈神经网络，输入304个特征，隐藏层64和32单元，triple loss与softmax，Adam优化，学习率0.2，ReduceLROnPlateau调度，梯度裁剪1.0，最大200 epochs，10次随机留出循环并采用Leave-Subject-Out (LSO)防泄漏；SHAP值取10个模型平均。
研究结果中，模型性能与验证方面：通过10次不同随机种子的DLM迭代，研究人员获得非常好的平均准确率0.795和中位准确率0.795，最低准确率0.682，最高0.891。最终迭代验证损失0.602，验证准确率0.773，提示分类性能不完全但良好。验证损失在整个epoch中紧随训练损失，准确率约在30至40个epoch达到稳定平台；迭代间准确率标准差0.068，支持模型行为稳定，并表明模型学习到可泛化模式而非拟合训练数据噪声。
SHAP分析与关键特征方面：通过SHAP summary plot，影响模型性能最强的特征为gyrification，以及若干不同区域的GMV，如顶叶、额叶和枕叶皮层。来自感觉运动网络（sensorimotor network, SMN）、边缘网络（limbic network）、默认模式网络（default mode network, DMN）和背侧注意网络（dorsal attention network, DAN）的gyrification测量提供相对高的预测信息。具体而言，SMN区域为听觉皮层，边缘网络显示眶额皮层（orbitofrontal cortex, OFC）改变，DMN表现为背侧前额叶皮层（dorsal prefrontal cortex, PFC）和颞叶皮层，DAN显示中央后皮层的gyrification改变。
组间差异区域方面：提示组间差异的区域集中于额叶皮层，以及颞叶和顶叶区域。脑图像显示，gyrification特征以红色表示，GMV特征以蓝色表示。总体而言，研究人员通过基于大脑形态学构型的数据驱动分类，区分高于中位数和低于中位数TMT完成时间的参与者。
讨论部分总结如下。在“Cerebral morphology as a predictor of cognition”部分，研究人员认为，将TMT-A和TMT-B测量结合可增强模型训练中的受试者内变异并改善模型准确率；特征数量未变，但每名受试者样本量加倍，从而因更优的数据点/特征数比例提高模型可靠性。方差在变量间分布较均匀，没有单一脑区显示主导预测力，SHAP值扩散较低。重复留出循环后所有测量相对低的标准差进一步支持结果泛化性。通过SHAP分析，研究人员识别出SMN、边缘网络、DAN和DMN中的区域。纳入躯体运动系统似乎直观，因为完成测试需要高水平运动协调以及微调肌力和速度的能力。计算机化TMT版本中，右侧额下/中回和前中央回激活增加；省略运动区混杂激活的语言版TMT显示左侧背外侧PFC和辅助运动区/扣带沟激活不对称，提示背外侧PFC和前扣带皮层（anterior cingulate cortex, ACC）独立于运动功能的重要作用。病变映射研究显示，背外侧PFC和前扣带皮层等区域GMV损伤负面影响TMT执行能力。背侧PFC的gyrification和GMV以及外侧PFC的gyrification对分类准确率有贡献，反映既往结果。边缘系统通过左侧OFC的gyrification在模型性能中起重要作用。OFC已知参与时间认知和排序，这对成功完成测试至关重要，也与处理刺激和奖励的时间序列能力相关。DAN主要通过中央后回体现。DMN激活通常与DAN反相关，因为二者在将注意导向内部或外部方面发挥互惠作用。TMT-A测得的心理运动速度和工作记忆与朝向DMN的感觉运动传入减少相关。老年人较慢的TMT-B表现与较低的前部DMN完整性正相关。TMT-B通常比TMT-A更复杂且认知需求更高。一项研究使用TMT-B减TMT-A差异分数作为执行反应切换测量，显示左侧吻侧前扣带皮层结构损伤参与者表现较低。基于回归分析的研究强调认知灵活性是TMT-B与TMT-A表现的主要区别。左侧背内侧前额叶结构改变，包括对照的CT差异或神经科患者病变，与较差TMT-B表现相关。DMN在TMT任务中的作用已有充分记录。背侧PFC已知参与TMT，也是SHAP分析识别为对模型重要的DMN区域。大量既往文献确认DLM识别的这些特定区域和网络异常，验证了研究人员数据驱动方法的可靠性。GMV、CT和gyrification在动态性上不同，应分别解释以充分理解潜在过程。在成人中，GMV随时间变化程度远高于gyrification，CT也如此。这种易变性可能使GMV和CT比gyrification更有用于描绘暂时变化。例如，慢性压力多年导致的长期认知能力下降不会强烈影响皮层折叠程度。DLM显示对gyrification的依赖高于GMV。CT特征完全未出现在最重要区域列表中。这提示易感结构模式主要由个体发生和早期儿童发育决定。然而，颞叶或顶叶-枕叶皮层的GMV也与模型性能相关，表明可修饰结构特征仍有影响。
在“Classification in psychiatry – by symptoms or by diagnosis?”部分，研究表明，健康受试者和患者中相当大比例显示高于中位数的TMT-A和TMT-B时间，提示诊断不是TMT测得的低认知功能的可靠预测因素。这支持基于可测量指标的跨诊断方法。结构特征、心理测试结果、人口学背景信息和其他数据应指导临床决策。特定诊断患者经历的症状可显著不同。合理假设是，这种不同症状簇由不同潜在过程引起。一项研究基于功能连接提出四种不同抑郁症“biotypes”，支持这一观点。跨诊断方法更灵活，能够针对个体患者当时呈现的实际症状学，而不需要将其归入宽泛类别，从而避免信息损失。此外，该方法可能对精神药理学未来研究有优势。目前研究人群基于诊断选择，导致与这些诊断固有异质性相关的问题。重要特征，如前述“biotypes”，常被忽视，可能降低治疗效果。为有效研究生物治疗方法，有必要识别与精神病理相关的躯体特征，以桥接临床现象学和精神病疾病中常见的明显身体健康之间的差距。模型预测准确率受到如边缘系统OFC等区域影响，OFC通常与执行功能和运动控制关联较少，而与情感疾病关联更多。TMT被明确选择，是因为其能够报告执行功能，而执行功能在健康人群中具有高生理变异，但也受多种不同病理影响。因此，假设TMT能够反映广泛个体变异。研究人员异质样本能够以如此高准确率分类，似乎确认了这一假设。所描绘的复杂形态改变模式与病理改变区域重叠，突出脑作为功能系统的流动性，即一个区域的问题也可导致其他区域表现下降。这种系统层面视角也可能解释为何不同精神疾病，如双相障碍、单相抑郁和精神分裂症阴性症状，可表现为难以区分的表型特征。然而，系统捕捉这些复杂交互需要高信息量，超出传统分析方法能力。因此，需要人工智能等数据分析工具理解潜在过程。此外，需要病理的维度描述，以更好反映潜在过程的复杂性。该研究成功使用DLM基于脑结构高准确预测心理表现。建立这种关联是寻找能够预测哪些生物干预最可能改善认知功能的变量的关键第一步，并可能从前景上有助于应对近几十年来精神治疗有效性进展有限的挑战。
结论部分翻译：DLM能够仅基于大脑形态学构型准确预测低于中位数和高于中位数的TMT表现。数据结构的方差分布相对均匀，没有单一脑区作为决定因素。尽管gyrification是迄今预测TMT测量值的最显著特征，模型也依赖GMV进行分类。显示组间差异的区域包括颞顶叶和额叶皮层，与既往研究一致。研究人员的结果支持跨诊断、非分类的分类方法，旨在更好反映复杂病理生理学，并证明DLM在临床环境中应用的可行性。
