《Psychological Medicine》：Computerized assessments of emotional expression and emotional reactivity predict negative symptoms in individuals at clinical high-risk for psychosis
编辑推荐：
背景：阴性症状是精神病的一个核心特征，也是功能结局的强预测因子，但由于概念和方法学上的挑战，它们仍然难以评估。虽然在精神病临床高危（clinical high-risk, CHR）个体中已有情绪表达性和情绪反应性异常的记录，但这些领域通常被独立研究，它们之间的
背景：阴性症状是精神病的一个核心特征，也是功能结局的强预测因子，但由于概念和方法学上的挑战，它们仍然难以评估。虽然在精神病临床高危（clinical high-risk, CHR）个体中已有情绪表达性和情绪反应性异常的记录，但这些领域通常被独立研究，它们之间的关系仍不清楚。方法：研究人员在101名CHR个体和41名健康对照（healthy controls, HC）的临床访谈中，使用自动化面部表情分析（FaceReader）量化面部表情。使用国际情感图片系统（International Affective Picture System, IAPS）评估情绪反应性。研究人员对CHR组内的面部表情和情绪反应性变量进行了主成分分析（principal component analysis, PCA）。使用相关分析和两步回归分析检验与阴性症状维度、阳性症状和社会功能的关联。结果：CHR参与者比HC表现出更大的厌恶表情（g = 0.40, 未校正p = .0025, 错误发现率校正后p = .023）。面部表情和情绪反应性成分之间关联极小（p > .20）。减少的高唤醒面部表情与更大的情绪表达性缺陷相关（r = ?.22, p = .027），而更大的快乐面部表情与更多的动机和愉悦损害相关（r = .21, p = .044）。快乐面部表情解释了情绪反应性之外的动机症状的额外方差（ΔR2 = .089, p = .008）。结论：自动化面部表情捕捉了一些阴性症状维度中的方差，这些方差在很大程度上独立于情绪反应性。这些发现支持使用多模态客观评估来改善精神病风险中阴性症状的表征。
论文解读文章
**研究背景、存在问题及研究目的**
阴性症状（negative symptoms）是精神分裂症的核心特征之一，包括表达性（如情感淡漠、言语贫乏）和经验性（如快感缺失、意志减退、社交退缩）两个可分离维度。这些症状对功能结局的预测力甚至强于阳性症状（positive symptoms），但长期存在概念化和评估方法上的挑战。传统评估依赖临床访谈评分，耗时主观；自我报告也可能不准确。在精神病临床高危（clinical high-risk, CHR）个体中，情绪表达（emotional expression）和情绪反应性（emotional reactivity）均发现异常，但既往研究多孤立考察这两个领域，其相互关系尚不明确。研究人员试图整合自动化面部表情分析（FaceReader）与情绪反应性任务（国际情感图片系统，International Affective Picture System, IAPS），阐明CHR个体中客观面部表情、主观情绪反应性与临床评估的阴性症状各领域之间的关联，评估自动化面部分析是否提供增量信息。
**关键技术与方法**
样本来自美国六个研究中心（西北大学、耶鲁大学、佐治亚大学、天普大学、埃默里大学、加州大学欧文分校）的临床精神病风险评估（CAPR）多中心研究。纳入101名CHR个体（符合渐进性或持续性精神病风险综合征标准，通过精神病风险综合征结构化访谈（Structured Interview for Psychosis-Risk Syndromes, SIPS）确认）和41名健康对照（healthy controls, HC）。排除有创伤性脑损伤、智力障碍、神经系统疾病、既往或当前精神病性障碍、除酒精或大麻外的持续性物质使用障碍者。使用阴性症状量表-精神病风险（Negative Symptom Inventory-Psychosis Risk, NSI-PR）评估阴性症状的两个维度：动机与愉悦（motivation and pleasure, MAP）和情绪表达性（emotional expressivity, EE）。社会功能采用社会功能总体量表（Global Functioning Scale: Social, GFS-S）。阳性症状采用SIPS总分。情绪反应性通过IAPS图片观看任务（每类30张愉悦、中性、不愉悦图片）测量，参与者对每张图片的正性情绪、负性情绪和唤醒度进行1–5评分。面部表情使用FaceReader 9.0分析SIPS访谈前10分钟的视频，每25帧/秒计算7种离散情绪（中性、快乐、悲伤、愤怒、惊讶、恐惧、厌恶）及唤起度和效价的平均值。统计方法包括：组间比较用方差分析或Welch t检验；降维用主成分分析（principal component analysis, PCA）；关联分析用Pearson相关；增量效应用两步序贯回归，在第一步纳入性别、年龄和情绪反应性主成分，第二步加入面部表情主成分。
**研究结果**
**人口学与临床特征**：CHR与HC在年龄、性别、教育年限、种族方面无显著差异。CHR组精神药物使用率和当前DSM-5诊断比例显著更高。CHR组的阳性症状评分显著更高，社会功能显著更低。
**面部表情的组间差异**：在9个FaceReader变量中，仅厌恶表情存在显著组间差异，CHR组高于HC组（Hedges' g = 0.40, 错误发现率（false discovery rate, FDR）校正p = .023）。其他表情（快乐、悲伤、中性、愤怒等）无显著差异。混合效应模型控制性别、年龄、抗精神病药使用后，组间差异方向稳定但未通过FDR校正。
**情绪反应性的组间差异**：CHR组对不愉悦图片的正性情绪评分显著高于HC组（g = 0.60, FDR校正p < .001），对愉悦图片的正性情绪评分显著低于HC组（g = ?0.35, 未校正p = .042，未通过FDR校正）。其他比较（如负性情绪、唤醒度）未通过校正。
**PCA衍生的面部表情与情绪反应性成分**：CHR组内，面部表情PCA提取三成分：负性效价表情（悲伤、愤怒为主，解释27.6%方差）、高唤醒表情（恐惧、惊讶为主，18.4%）、快乐表情（快乐为主，18.2%）。情绪反应性PCA也提取三成分：一般情绪反应性（一致反应，29.3%）、情绪矛盾性-愉悦刺激的负性情绪（21.1%）、情绪矛盾性-不愉悦刺激的正性情绪（17.6%）。
**面部表情成分与情绪反应性、临床结局的关联**：面部表情成分与情绪反应性成分之间关联极弱（p > .20），提示两者部分独立。低高唤醒面部表情与更大的情绪表达性缺陷（NSI-PR EE）相关（r = ?.22, p = .027），快乐表情与更大的动机与愉悦损害（NSI-PR MAP）相关（r = .21, p = .044），但均未通过FDR校正。一般情绪反应性与更好的当前社会功能相关（r = .25, p = .028，未通过校正）。面部表情与阳性症状无显著关联。
**面部表情的增量贡献**：两步回归分析中，对NSI-PR EE，第一步模型不显著，加入高唤醒表情成分后模型改进不显著（ΔR2 = 0.017, p = .26）。对NSI-PR MAP，第一步模型不显著，加入快乐表情成分后模型显著改进（ΔR2 = 0.089, ΔF = 7.38, p = .008，FDR校正p = .024），完整模型解释15.2%方差。敏感性分析（纳入评估者随机截距）下结果仍显著（χ2 = 6.33, p = .012，FDR校正p = .036）。对社会功能，加入负性效价表情成分未显著改进模型（ΔR2 = 0.007, p = .47）。
**讨论与结论**
本研究表明，CHR个体中客观面部表情与主观情绪反应性主要反映部分独立的过程，支持情感表达与体验在精神病风险人群中已存在分离。CHR组仅在厌恶表情上高于HC，符合既往关于表情改变可能情绪特异而非全局减弱的证据。情绪反应性方面，CHR组对不愉悦刺激的正性反应增高、对愉悦刺激的正性反应降低，提示情绪反应性改变呈矛盾性模式。面部表情PCA形成的三维结构（负性效价、高唤醒、快乐）而非简单正负二分，提示唤起度维度对表征表达性缺陷尤为重要。情绪反应性PCA也揭示一般反应性和两种矛盾性反应成分，表明CHR情绪体验可能缺乏特异性。关联分析中，高唤醒表情减少与表达性缺陷相关，快乐表情增多反而与动机愉悦损害相关，后者挑战了正向表情代表完好情绪体验的假设，可能反映社会化习得的非真实情感行为。回归分析显示快乐表情对动机愉悦症状提供情绪反应性之外的增量解释力（ΔR2 = 8.9%），但效应方向意外且规模适中。这项研究显示自动化面部表情分析可为CHR阴性症状评估提供适度但独特的补充信息，与情绪反应性结合有助于细化症状表征。
研究结论：自动化面部表情捕捉了部分阴性症状维度中与情绪反应性大致独立的方差。这些发现支持使用多模态、客观的评估来改善精神病风险中阴性症状的表征。
