摘要：注意缺陷多动障碍（ADHD）、双相情感障碍（BD）与精神分裂症（SZ）等神经精神疾病具有显著临床异质性与症状重叠，限制了传统症状学评估的特异性。结构磁共振成像（sMRI）可提供客观解剖学改变，但现有计算框架常依赖单平面或二分类患者—对照分析，缺乏解剖可解释性，且因验证协议不一致存在数据泄露风险。为此，研究人员提出一种分割引导的医学图像处理与识别AI框架，融合FastSurfer衍生的区域手工特征（含傅里叶形状描述子、二维小波与二阶局部方向梯度模式（LDGP）纹理，以及ROI过滤的XFeat关键点）与全脑T1加权sMRI提取的多视图（轴状位、矢状位、冠状位）EfficientNetB0深度表征。分割阶段为影像组学特征提取提供了解剖定义区域，可解释表征维持解剖可追溯性。核心贡献是在统一结构特征空间内采用双评估策略：广义跨诊断四分类（健康对照HC vs. ADHD vs. BD vs. SZ）与聚焦二分类（SZ vs. HC、BD vs. HC）。为保障严谨评估，特征融合、标准化、Salp Swarm优化器（SSO）特征选择、超参与早停在受试者级嵌套交叉验证（5外层/3内层）训练集内完成，保留受试者仅评估一次。在UCLA CNP数据集上，四分类准确率为79.3%；二分类中SZ vs. HC达84.3%、BD vs. HC达82.7%。结果表明，分割引导影像组学描述子联合多视图深度表征为神经精神疾病sMRI分析提供了有前景的研究框架，但临床应用前仍需外部验证。
研究背景与问题提出
神经精神疾病（如精神分裂症、双相情感障碍、注意缺陷多动障碍）具有高度异质性与重叠症状，仅依靠临床表型难以区分。结构磁共振成像（sMRI，structural magnetic resonance imaging）可无创呈现脑灰质、白质与脑脊液的三维解剖信息，适合自动化分割与定量表征。然而既往计算框架普遍存在三方面局限：其一，多采用单平面或仅做“患者—健康对照”二分类，难以刻画跨诊断共享与特异改变；其二，纯深度模型缺乏解剖可追溯性，纯手工特征又难以捕捉高阶空间模式；其三，预处理、特征选择与验证常未严格隔离评估集，存在数据泄露隐患。因此，研究人员亟需构建一种兼顾解剖可解释性、多视图信息融合与防泄露验证的AI框架。
研究人员开展的工作与结论意义
研究人员以T1加权sMRI为输入，构建“分割引导+影像组学+多视图深度学习”的统一框架：先用FastSurfer（快速脑分割网络）得到七个目标脑区的二值掩膜，再在区域内提取傅里叶形状、二维小波、二阶局部方向梯度模式（LDGP，local directional gradient pattern）与XFeat关键点描述子；同时以冻结的EfficientNetB0从全脑轴状位、矢状位、冠状位提取深度特征，早期融合后由Salp Swarm优化器（SSO）在训练折内选特征，输入金字塔形多层感知机（MLP）分类。在UCLA CNP队列（最终265名受试者）上，四分类准确79.3%，SZ vs. HC 84.3%，BD vs. HC 82.7%。该框架证明：区域可解释描述子与全局深度表征互补，可在统一结构特征空间内同时支持跨诊断与聚焦二分类，为精神影像AI提供透明、可复现的研究路径。
