《Frontiers in Neuroscience》:Machine learning-based morphological brain analysis in schizophrenia and unaffected siblings: a multisite study of potential risk markers
编辑推荐:
评估精神分裂症的风险因素对于开发早期预防性干预措施至关重要。研究人员假设,携带高遗传风险的未患病同胞表现出与患者相似的神经解剖学特征,可能反映了早期致病过程。为克服单中心局限性,研究人员分析了来自五个独立公共数据库的1018名参与者。脑磁共振成像(MRI)通过
评估精神分裂症的风险因素对于开发早期预防性干预措施至关重要。研究人员假设,携带高遗传风险的未患病同胞表现出与患者相似的神经解剖学特征,可能反映了早期致病过程。为克服单中心局限性,研究人员分析了来自五个独立公共数据库的1018名参与者。脑磁共振成像(MRI)通过基于体素的形态学测量(VBM)进行标准化处理,并计算了区域体积的协变量校正z分数。研究人员采用集成支持向量机(SVM)方法,结合多个模型以确保稳健性,提取了多维脑特征签名,并据此推导出精神分裂症样评分(SPS)。集成SVM实现了较高的分类性能(曲线下面积AUC=0.99861)。在所有数据库中,患者一致表现出额叶、颞叶、岛叶和丘脑区域的体积减少,同时伴随苍白球增大。值得注意的是,未患病同胞表现出与患者脑形态相似性的可能性是健康对照的3.8倍。此外,研究人员在同胞中识别出一种新型影像表型:腹侧纹状体体积增加,且该特征与SPS呈正相关。这一特征在已确诊的精神分裂症患者中缺失,提示其可能是一种潜在的代偿机制或短暂的发育期风险标志。将机器学习应用于大规模多中心神经影像数据可有效识别结构性内表型。研究结果强调了独特的结构特征,特别是增大的腹侧纹状体,是临床症状出现前识别高风险个体的关键生物学指标。
这篇发表于《Frontiers in Neuroscience》的研究针对精神分裂症早期风险识别的临床难题,聚焦未患病同胞这一高遗传风险群体,旨在通过多中心大样本神经影像数据与机器学习融合,挖掘可量化的脑结构生物标志物。精神分裂症作为一种高度异质性的精神障碍,现有结构MRI研究虽已发现患者存在广泛脑区体积缩减,但受单中心样本量小、临床异质性高、抗精神病药物干扰等因素限制,一直缺乏稳定可推广的个体级诊断与风险预测标志物。既往研究多关注已发病患者,而对携带高遗传负荷但尚未出现临床症状的未患病同胞的神经发育特征揭示不足,难以区分疾病核心神经生物学改变与继发效应。为此,研究人员开展了一项跨数据库的大规模整合研究,通过标准化脑形态学分析与集成机器学习建模,系统比较了精神分裂症患者、未患病同胞及健康对照的脑结构差异,首次在未患病同胞中发现特异性增大的腹侧纹状体这一潜在风险标志,并构建了具有高泛化性的精神分裂症样评分(SPS),为疾病早期预防性干预提供了客观生物学依据。
研究采用的关键技术方法包括:样本来源于SchizConnect平台的五个独立公共数据库(NUSDAST、NMorphCH、MCICShare、BrainGluSchi、COBRE),最终纳入1018名参与者,涵盖健康对照、精神分裂症患者、未患病同胞及少量双相障碍、分裂情感性障碍个体;脑结构MRI采用基于体素的形态学测量(VBM)流程标准化处理,通过BAAD软件结合计算解剖学工具箱(CAT12)完成图像配准、分割与平滑,提取290个感兴趣区(ROI)的协变量校正z分数;采用径向基核函数支持向量机(SVM)构建分类模型,通过留一数据库交叉验证(LODO-CV)实现集成建模,输出反映个体脑结构与患者相似度的SPS;结合阈值自由簇增强(TFCE)与置换检验进行组间脑区差异统计,并通过年龄、总颅内体积(TIV)匹配亚组分析验证核心发现。
研究结果如下:
脑形态计量特征显示,与健康对照相比,精神分裂症患者存在广泛的脑体积缩减,累及额叶、颞叶、扣带回、岛叶皮质、丘脑、海马及杏仁核(家族wise误差FWE校正p<0.05),其中前额叶皮质、岛叶、颞中回及前扣带回效应量最大;同时患者苍白球及邻近壳核体积显著增大。
未患病同胞的脑结构异常表现为,皮层体积无显著差异,但双侧腹侧纹状体体积较健康对照显著增加(FWE校正p<0.05),该特征未在患者中被观察到。
年龄相关的脑体积变化分析表明,健康个体总颅内体积(TIV)在青春期后趋于稳定,灰质体积随年龄增长递减,白质体积递增;精神分裂症患者全年龄段灰质体积均低于健康对照,白质体积无差异,总脑体积更小;未患病同胞则表现为灰质体积大于健康对照与患者,白质体积更小,总脑体积更大,且苍白球增大模式与患者一致,但腹侧纹状体体积显著高于其余两组。
腹侧纹状体与伏隔核的体积分析进一步证实,未患病同胞的双侧伏隔核体积显著高于健康对照与患者,且该增大与年龄呈负相关,提示可能为发育延迟或代偿性改变。
精神分裂症样评分(SPS)的个体分布显示,患者SPS均值接近1,健康对照接近0,未患病同胞呈中间分布,其中20.6%个体SPS≥0.5,其脑结构相似性风险比值比为4.8,标准化发病率为4.0;双相障碍与分裂情感性障碍患者也表现出较高SPS,提示跨诊断谱系的脑结构共变。
SPS与基底节结构的关联分析发现,同胞中较高的SPS与苍白球、腹侧纹状体体积增大呈正相关,验证了基底节改变作为疾病风险内表型的潜力。
SPS模型的性能验证显示,集成SVM整体AUC达0.9986,准确率97.9%,灵敏度97.4%,特异度98.4%;留一数据库交叉验证中各外部数据集AUC保持在0.792至0.999之间,证实模型可有效克服中心偏倚,具备跨临床场景的泛化能力。
讨论部分指出,研究首次在多中心样本中验证了精神分裂症患者皮层-基底节-丘脑环路的特异性结构改变,其中苍白球增大可能是遗传易感性的稳定内表型;而未患病同胞特有的腹侧纹状体增大,既可能是对抗遗传风险的代偿机制,也可能反映发育期突触修剪异常,其作为奖赏回路核心节点的发育异常可能与疾病发生密切相关。与既往聚焦于临床高危(CHR)人群的症状驱动风险预测不同,该研究通过未患病同胞的遗传风险模型,识别出了独立于症状与药物的稳定神经生物学标志,突破了传统研究对晚发前驱期症状的依赖。SPS作为连续型生物学指标,不仅能实现高精度临床诊断,更能从无症状人群中筛选出携带高风险脑结构的个体,为精准化环境干预与预防性治疗提供了量化靶点。研究局限性包括同胞样本量较小、缺乏纵向转化数据、未校正药物影响及未实现与其他精神障碍的鉴别诊断,未来需通过更大规模前瞻性队列验证SPS的预测效能,并整合多模态数据进一步提升临床应用价值。
研究结论总结:本研究证明,基于大规模神经影像数据的机器学习范式可实现精神分裂症的高精度个体水平分类。通过整合五个独立数据库共千余名参与者构建的SPS,是量化脑形态特征的可靠生物学标志物。核心发现包括两方面:一是SPS诊断准确率达94.5%,显著优于受限于单中心小样本的传统模型;二是未患病同胞存在升高的SPS,提示该评分可捕捉无症状阶段的遗传负荷相关神经形态特征。这些结果为精神分裂症临床诊断与高危个体识别提供了新 metric,未来需通过纵向队列验证其对精神病转化的预测价值,并整合遗传、认知等多模态数据以提升工具精度。