基于脑磁图（MEG）的神经生物标志物与人工智能用于早期精神分裂症识别

《Psychiatry Research: Neuroimaging》：MEG-Based Neural Biomarkers and AI for Early Schizophrenia Identification

　　

•MEG和机器学习辅助早期精神分裂症识别。•我们比较了自动化图指标与专家选择的MEG特征。•自动化图论特征产生了中等机器学习准确率（77%）。•专家引导的特征选择实现了近乎完美的准确率（98%）。•临床洞察对于可靠的基于人工智能的神经影像生物标志物至关重要。

引言

精神分裂症是一种慢性且致残性的神经精神障碍，全球约有2000万至2300万人受影响（Zhan等，2025；Velligan等，2023）。该疾病以认知、情感和知觉障碍为特征，包括幻觉、妄想和思维混乱，对早期诊断和干预提出了重大挑战（Kahn等，2015；Owen等，2016；Fusar-Poli等，2017）。传统诊断方法严重依赖临床访谈和行为评估，这些方法虽然有价值，但往往具有主观性，且在不同从业者及场景间存在变异性（Freudenreich，2019；Tandon等，2013）。因此，对于能够支持精神分裂症早期且准确识别的客观、数据驱动方法的需求日益增长（Verma等，2023）。

近年来，功能磁共振成像（fMRI）（Allen等，2024）、结构磁共振成像（Zhang等，2023）、脑电图（EEG）（Rahul等，2024）和脑磁图（MEG）（Brickwedde等，2024）等神经影像技术日益被探索作为发现精神障碍神经生物标志物的潜在工具（Chan等，2025）。其中，MEG因其高时间分辨率和捕获实时神经振荡及连接模式的能力而脱颖而出（Shaik等，2024）。MEG提供了一个观察大脑动态功能的非侵入性窗口，使其特别适合研究精神分裂症相关的细微神经破坏（Guo等，2024）。

已有若干研究尝试利用机器学习（ML）技术，基于神经影像数据对精神分裂症进行分类。Wang等（2023）将多变量核Granger因果性应用于MEG，构建定向有效连接网络，发现患者与健康对照之间存在显著改变，前额叶和枕叶区域差异尤为突出（Wang等，2023）。Sarisik等（2024）提供了基于EEG的诊断方法概述，强调了电生理生物标志物和机器学习在提高精神障碍诊断准确性方面的潜力（Sarisik等，2025）。Verma等（2023）对应用于精神分裂症诊断的ML技术进行了全面综述，重点介绍了结构MRI、fMRI和EEG的应用，但指出尽管MEG具有优势，其利用程度仍不足（Verma等，2023）。Rahul等（2024）提供了基于EEG的自动化精神分裂症分类的系统综述，突出了机器学习和深度学习方法在提高诊断准确性方面的前景（Rahul等，2024）。此外，Idowu等（2025）对基于fMRI的ML研究进行了荟萃分析，报告了合并敏感度值为0.83，但也指出了由于算法偏差和样本量小导致的泛化性局限性（Idowu等，2025）。

特征选择是生物医学机器学习中的一个基础性里程碑，尤其是在处理高维神经影像和神经认知指标时，所提取特征的数量往往显著超过或接近样本维度。近期文献指出，朴素的或未正则化的特征表示存在严重的过拟合风险，并会降低在独立队列中的诊断泛化能力（Karimi等，2025）。为缓解高维噪声，现代生物医学框架通常评估高级特征选择策略，范围从针对不平衡临床数组的元启发式与仿生搜索范式（Aliyu等，2025）到临床诊断中的多阶段排序技术（Javed等，2020）。在当代数字医疗和临床监测架构中，实施严格的降维同样至关重要，以确保仅由具有生理意义的关键指标驱动预测分类（Kurdi，2026）。与此类进展一致，在严格划分的交叉验证框架内纳入有原则的特征优先级机制，对于提取可重复的神经生理和图论生物标志物至关重要。

本研究通过开发一个严谨的比较机器学习框架，针对静息态MEG记录用于早期精神分裂症识别，以解决上述挑战。利用OpenNeuro的一个公开队列，包括精神分裂症患者和匹配的 healthy 对照（López-caballero等，2024），我们系统评估了七种监督分类架构的诊断效用：作为基线比较器的线性逻辑回归（LR）模型，以及非线性与集成方法，包括随机森林（RF）、决策树（DT）、梯度提升（GB）、AdaBoost、支持向量机（SVM）和高斯朴素贝叶斯（GNB）。

本研究的主要贡献在于提出并评估专家引导的神经图论指标（ENGTM）与标准图论指标（GTM）——如节点中心性、聚类系数和全局效率——之间的比较，以识别具有神经生理依据的功能生物标志物。为确保稳健且透明的评估，模型性能通过多个判别指标进行全面基准测试，包括准确率、精确率、召回率、特异性、F1分数和受试者工作特征曲线下面积（ROC-AUC）。除计算基准外，本研究还旨在提供可解释的、非侵入性的候选生物标志物，这些标志物可作为探索性决策支持工具，潜在地辅助临床评估并推进精神神经影像中功能神经特征的发现。

•神经生物标志物提取：这是首项系统从MEG数据中提取基于图的神经生物标志物用于精神分裂症检测的研究，为脑网络拓扑提供了新颖见解。•多模型比较：与以往关注单一算法的研究不同，本研究系统比较了七种不同的ML模型以评估分类性能。•使用MEG数据：尽管fMRI和EEG已被广泛使用，但MEG在精神分裂症研究中仍然探索不足，尽管其具有优越的时间分辨率。•公开数据集利用：本研究利用了文档完善、开放获取的数据集，增强了可重复性和透明度。•特征驱动分类：该方法强调源自MEG信号的可解释生物标志物，有助于理解神经生理标记物。•全面评估指标：使用广泛指标评估性能——准确率、精确率、召回率、特异性、F1分数、AUC和ROC曲线——为每个模型的优势和局限性提供细致理解。•关注早期检测：通过针对早期阶段分类，本研究与临床界对及时干预和改善患者预后的优先级相一致。

方法

整体分析方法在图1中概述，展示了从数据准备到模型解释的关键步骤。

结果

为评估ML模型在区分早期精神分裂症个体与健康对照方面的性能，我们使用源自MEG数据的不同特征表示进行了两组实验。第一组利用从功能连接网络中提取的图论特征，第二组则纳入了被鉴定为具有临床和神经生理相关性的专家选择特征。

讨论

本研究强调了基于领域知识的、以神经生物标志物为驱动的特征工程在使用MEG数据进行早期精神分裂症基于机器学习分类中的关键作用。为严格地将模型性能置于语境中，评估了一个传统线性基线——逻辑回归（LR）——以及高级非线性和集成分类器。当仅依赖传统GTM时，所有架构的分类性能均保持中等水平。具体而言，线性基线

结论

本研究证明，将神经生理领域专业知识整合到基于MEG静息态数据进行早期精神分裂症机器学习识别的特征工程中具有关键价值。虽然传统GTM在标准分类器——包括线性逻辑回归基线——中达到了中等诊断性能，但所提出的ENGTM显著提高了线性与非线性模型之间的分类判别性、稳健性和稳定性。

作者贡献

Tania Dehesh、Samira Jafari和Hamid Sharini合作研究概念。Hamid Sharini准备数据集。方法学由Samira Jafari、Yones Jahani和Amir Hossein Nabizadeh开发。论文由Samira Jafari和Leila Solouki起草。所有作者均对论文进行了批判性审阅和编辑，并批准了最终版本。

声明

作者没有相关的财务或非财务利益需要披露。

伦理审批

研究方案经克尔曼医科大学伦理委员会审查批准（批准代码：IR.KMU.REC.1403.317）。所有分析均按照机构指南和《赫尔辛基宣言》原则进行。

数据和材料的可用性

不适用。

伦理声明

已获所有参与者或其法定代表书面知情同意参与本研究并发布论文。参与者的隐私权已得到尊重。

本研究依照研究所在地相关法律、监管框架和指南进行。本研究已获克尔曼医科大学伦理委员会批准。（批准号：IR.KMU.REC.1403.317）

未引用参考文献

（Stephan等，2009；Van Den Heuvel和Fornito，2014）

CRediT作者贡献声明

Tania Dehesh：写作——审阅与编辑、方法学、概念化。Hamid Sharini：写作——审阅与编辑、数据管理、概念化。Leila Solouki：写作——审阅与编辑、写作——初稿。Yones Jahani：写作——审阅与编辑、方法学。Amir Hossein Nabizadeh：写作——审阅与编辑、方法学。Samira Jafari：写作——审阅与编辑、写作——初稿、软件、方法学、数据管理、概念化。

利益冲突声明

作者声明不存在利益冲突。

Tania Dehesh|Hamid Sharini|Leila Solouki|Yones Jahani|Amir Hossein Nabizadeh|Samira Jafari