综述：基于影像组学的神经影像在精神分裂症诊断与治疗反应预测中的荟萃分析

《Schizophrenia》：Precision psychiatry in schizophrenia: a meta-analysis of radiomics-based advanced neuroimaging for diagnostic and treatment-response prediction

　　

摘要

目前，用于精神分裂症诊断及治疗反应预测的可靠神经影像生物标志物仍然有限，尤其在个体层面。影像组学可将神经影像数据转化为高维定量数据，从而可能捕获常规分析无法检测的细微疾病相关模式。本研究旨在对基于影像组学的神经影像在精神分裂症中的诊断和治疗反应预测性能进行荟萃分析。根据PRISMA-DTA指南和预注册方案（PROSPERO/CRD420261286782），对PubMed、EMBASE、IEEE Xplore和Scopus数据库截至2026年9月17日进行了系统检索。纳入标准的研究是将影像组学与机器学习/定量神经影像数据（MRI/PET）相结合，用于精神分裂症谱系障碍的诊断/治疗反应分类。采用随机效应荟萃分析汇总受试者工作特征（ROC）曲线下面积（AUC）。使用分层汇总ROC（HSROC）模型估算汇总敏感性和特异性。采用QUADAS-2和METRICS评估偏倚风险和报告质量。共纳入14项研究。在诊断区分方面，基于影像组学的模型表现出良好的性能（AUC = 0.81，95% CI [0.73; 0.88]，I² = 84.2%，k = 8）。HSROC模型得出的汇总平均敏感性 = 0.736，95% CI [0.666; 0.795]，特异性 = 0.735，95% CI [0.668; 0.793]。影像组学在区分治疗反应方面也表现出良好性能，包括纵向预测（AUC = 0.80）和横断面区分（AUC = 0.88）。尽管各研究间存在显著的方法学异质性，但总体研究质量为中等/良好。基于影像组学的神经影像在精神分裂症中表现出良好的诊断和治疗反应区分能力，支持其在精准精神病学中的潜在互补功能。然而，有限的外部验证可能目前制约了临床转化，因为我们的分析显示，验证程序不够严格的研究往往表现出更为乐观的性能。未来研究应优先采用标准化影像组学工作流程、前瞻性设计、与临床标志物的整合以及严格的验证。