利用机器学习与面部特征预测有临床精神病高风险人群向精神障碍的转变

《Schizophrenia Research》：Predicting transition to psychiatric disorders in clinical high-risk for psychosis subjects using machine learning and facial features

　　

亚历山大·安德拉德·洛赫|费利佩·埃隆·凯卢兹|布鲁诺·瓦伦琴扎克|若昂·梅德拉多·贡迪姆|费利佩·科埃略·阿戈洛|安娜·卡罗琳·洛佩斯-罗查|马丁努斯·西奥多鲁斯·范德比尔特|莱昂纳多·佩罗尼·德热苏斯|安德里亚·丰特斯·贾费特|瓦格纳·法里德·加塔兹|吉列尔莫·A·塞基|谢丽尔·玛丽·科科尔兰|安德森·阿拉

摘要

背景

具有精神病临床高风险状态的个体越来越被视为一种跨诊断的风险状态，但目前可用于预测不良结局的可行指标仍然有限。我们研究了从基线视频中提取的面部动态信息是否能够预测这类个体是否会发展出任何精神疾病。

方法

在SSAPP研究队列中，对处于临床高风险状态的参与者在基线时进行了SIPS和SCID-5评估，随后对其进行了平均22.8个月的跟踪观察。研究人员分析了50名参与者的基线视频，使用OpenFace 2.0从“主体概览”和“记忆回忆”录像中提取面部特征点和动作单元。接着通过留一法交叉验证，将这些特征及动作单元的汇总数据输入到加权逻辑回归模型中。

结果

在纳入分析的样本中，有29名参与者发展出了精神疾病，其中包括9例精神病性病症和20例非精神病性病症；另有21人未出现病情变化。来自“主体概览”视频的PCA特征表现最佳（F1值=72%，灵敏度=66%，特异性=76%，平衡准确率=71%，MCC值=0.41），其性能优于基于“记忆回忆”数据及动作单元的模型。其中，发展出精神病性病症的患者的灵敏度（78%）高于非精神病性病症患者（60%）。预测信号主要集中于反映细微面部运动变化的较高阶PCA成分中。

结论

从临床视频中提取的面部动态信息或许可以为临床高风险群体提供可用于预测不良结局的可行指标。未来的研究应致力于扩大样本规模并开展外部验证。