劉晨宇,周素妙,易 蕓,黃園園,3,4,李荷花,3,4,馮仕軒,黎浚豪,吳逢春,3,4*

(1.廣州醫(yī)科大學附屬腦科醫(yī)院精神科,廣東 廣州 510370;2.廣西壯族自治區(qū)腦科醫(yī)院精神科,廣西 柳州 545000;3.廣東省精神疾病轉化醫(yī)學工程技術研究中心,廣東 廣州 510370;4.廣東省神經(jīng)科學疾病研究重點實驗室,廣東 廣州 510370)

精神分裂癥(schizophrenia, SZ)屬嚴重精神疾患,全球范圍內(nèi)約有2 400萬患者[1]。以傳統(tǒng)方法診斷SZ主要依靠臨床癥狀和體征,主觀性較強,導致結果具有不確定性。如何實現(xiàn)個體化診療不同亞型SZ,如偏執(zhí)型、緊張型等,是當前面臨的重要臨床問題。功能MRI(functional MRI, fMRI)為非侵入性神經(jīng)影像學技術,利用氧合血紅蛋白和脫氧血紅蛋白的順磁特性差異生成大腦活動圖像[2]。傳統(tǒng)機器學習(machine learning, ML)是基于統(tǒng)計學習方法,需手動提取特征以訓練模型;而利用深度學習可自動提取和學習數(shù)據(jù)中的特征,以獲得解決方案[3]?；趂MRI的ML為診斷及治療SZ提供了新的思路。本文就基于fMRI的ML用于診斷和治療SZ研究進展進行綜述。

1 基于fMRI傳統(tǒng)ML診斷SZ

有學者[4]回顧性分析SZ患者與健康對照(healthy control, HC)的fMRI數(shù)據(jù),以此構建基于Pearson相關性的功能連接(functional connectivity based on Pearson correlation, FCP)網(wǎng)絡和基于距離相關的功能連接(functional connectivity based on distance correlation, FCD)網(wǎng)絡,并建立FCP、FCD及二者融合的支持向量機(support vector machine, SVM)模型;基于FCD網(wǎng)絡特征的SVM模型診斷SZ的準確率為82.6%,而FCP與FCD融合SVM模型的準確率為84.7%。LIANG等[5]發(fā)現(xiàn)SZ患者后扣帶皮層與額葉區(qū)、左側海馬旁區(qū)、左側前扣帶皮層、右側頂下小葉之間功能連接(functional connectivity, FC)降低而與左側顳葉區(qū)的FC增強,提示后扣帶皮層FC具有作為SZ生物學標志物的潛力;由此建立的SVM模型的診斷準確率為72.28%。BOHATEREWICZ等[6]將FC等特征輸入5種ML算法,發(fā)現(xiàn)基于最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)的FC模型診斷SZ的效能最佳,準確率為70%。GAO等[7]將SZ患者與HC差異腦區(qū)區(qū)域一致性(regional homogeneity, ReHo)值輸入SVM模型,以之診斷SZ的準確率為78.5%。WANG等[8]以ReHo值診斷SZ,準確率達90.14%。蔡秋藝等[9]提取SZ患者與HC之間存在低頻振幅(amplitude of low frequency fluctuation, ALFF)差異的腦區(qū)信號建立SVM模型,其診斷SZ的準確率為73.13%。見表1。

表1 基于fMRI傳統(tǒng)ML用于診斷SZ相關文獻

上述研究表明,基于fMRI相關腦網(wǎng)絡指標的ML模型可有效診斷SZ,從而為臨床提供無創(chuàng)的影像學標志物[10];而SVM方法基于小樣本數(shù)據(jù)亦可表現(xiàn)出較佳的分類性能,其中,基于差異腦區(qū)ReHo值的SVM模型的診斷準確率較高。但目前關于任務態(tài)fMRI相關研究深度仍不足,有待進一步探索。

2 基于fMRI傳統(tǒng)ML預測SZ治療反應

2.1 預測SZ藥物治療反應 目前治療SZ仍以藥物為主,起效時間均較慢,且現(xiàn)有最佳方案治療效率較低,導致治療反應延遲,使患者遭受不必要的痛苦,增加自殺風險及醫(yī)療費用,需尋找更為高效的選擇最佳藥物方法。一項納入22篇研究的薈萃分析[11]指出,以基于fMRI的ML預測SZ患者對于抗精神藥物治療反應的曲線下面積為0.849,敏感度為81%,特異度為76%。CUI等[12]報道,基于大腦半球之間連通性的SVM模型用于預測SZ對奧氮平、帕利哌酮等第二代精神藥物早期治療反應的準確率為80.38%,敏感度為87.28%,特異度為82.47%。BLESSING等[13]招募29例接受氯丙嗪治療的SZ患者,發(fā)現(xiàn)基于海馬FC的隨機森林模型可預測其治療反應,準確率為89%。SMUCNY等[14]基于背外側前額葉皮層fMRI特征的SVM及隨機森林等模型預測65例SZ對氯丙嗪的治療效果,準確率為70%。CAO等[15]觀察43例接受利培酮治療的SZ患者,基于顳上回皮層FC預測其對抗精神病藥物的治療反應,準確率為82.5%。

2.2 預測SZ物理治療反應 相比傳統(tǒng)藥物治療,物理治療SZ具有起效快、不良反應少和療效佳等特點,但治療敏感性存在個體差異,使得篩選可預測治療反應的生物學標志物成為關鍵?；趂MRI的傳統(tǒng)ML可用于預測SZ患者治療反應,從而改善治療效果,減少不必要的痛苦、降低醫(yī)療費用。經(jīng)顱直流電刺激(transcranial direct current stimulation, tDCS)是利用微弱電流調(diào)節(jié)大腦皮質神經(jīng)細胞活動的非侵入性技術,易于實施且不良反應少,可輔助治療SZ持續(xù)性幻聽[16]。PAUL等[17]針對34例存在持續(xù)性幻聽的SZ患者分別于基線和10次tDCS治療后行fMRI,并以左顳上回為種子區(qū)域,開發(fā)基于靜息態(tài)FC模式的ML模型,其區(qū)分tDCS治療應答與無應答者的準確率為72.5%。改良電休克治療(modified electroconvulsive therapy, MECT)指在以靜脈麻醉藥和肌松藥使患者意識消失后,以一定量電流通過患者頭部使其大腦皮質癲癇樣放電而于短時間內(nèi)產(chǎn)生治療效果,但同時可能導致短期記憶暫時缺失。有學者[18]分析57例SZ患者,提取MECT治療后有反應與無反應組間大腦灰質特征,以此建立的SVM模型在訓練集和驗證集中區(qū)分治療反應性的準確率分別為90.01%和91.78%。CUI等[19]發(fā)現(xiàn),基于SZ患者丘腦fMRI特征的隨機森林模型用于預測其對MECT治療效果的準確率為75%。

3 基于fMRI深度學習診斷SZ

ZHENG等[20]基于fMRI建立的卷積神經(jīng)網(wǎng)絡模型診斷SZ的準確率高達84.3%。CUI等[21]基于顳上回、島葉、丘腦等區(qū)域灰質、白質和腦脊液體積特征,以深度神經(jīng)網(wǎng)絡對SZ與HC進行分類,準確率為77.19%～85.74%。多尺度遞歸神經(jīng)網(wǎng)絡適用于融合多尺度信息、處理時序數(shù)據(jù),但模型計算復雜度較高[22];卷積遞歸神經(jīng)網(wǎng)絡是卷積神經(jīng)網(wǎng)絡與遞歸神經(jīng)網(wǎng)絡相結合的深度學習架構,可通過卷積神經(jīng)網(wǎng)絡提取圖像局部特征,并通過遞歸神經(jīng)網(wǎng)絡處理時序信息,在整合多尺度信息方面具有出色表現(xiàn),但計算所需資源仍較多[23]。ZHAO等[24]基于獨立成分和時間歷程兩大特征,結合卷積遞歸神經(jīng)網(wǎng)絡與深度神經(jīng)網(wǎng)絡而提出了集成大腦連接與活動的混合深度學習框架,其用于診斷SZ的準確率為85.3%。YAN等[22]以fMRI數(shù)據(jù)獨立成分特征的多尺度遞歸神經(jīng)網(wǎng)絡診斷SZ的準確率為83.2%。QURESHI等[25]基于fMRI獨立成分特征三維卷積神經(jīng)網(wǎng)絡診斷SZ的準確率達98.09%。三維卷積神經(jīng)網(wǎng)絡可在三維空間中處理腦部圖像,更好地考慮腦內(nèi)立體結構及腦區(qū)間的連接,但相比二維卷積神經(jīng)網(wǎng)絡仍需要更多計算資源[26]。CHEN等[27]發(fā)現(xiàn),稀疏深度神經(jīng)網(wǎng)絡用于診斷SZ的效能略優(yōu)于獨立成分分析聯(lián)合SVM的傳統(tǒng)ML框架,這是由于深度神經(jīng)網(wǎng)絡雖可自動學習復雜的非線性特征、捕捉SZ復雜病理學特征,但需大量訓練數(shù)據(jù),且決策過程較難解釋[28]。以上結果提示,選擇神經(jīng)網(wǎng)絡以構建診斷SZ模型時,需綜合考慮數(shù)據(jù)類型、問題復雜性、數(shù)據(jù)規(guī)模及計算資源。另一方面,深度學習雖然特征識別能力、復雜數(shù)據(jù)處理能力均屬強大,且具有良好的泛化能力,有助于診斷SZ,但受限于疾病復雜性和多樣性,目前以之預測SZ治療反應的研究尚少,有待后續(xù)進一步觀察。

4 小結與展望

基于fMRI的ML已在診療SZ方面取得相當進展,且應用前景廣闊,但仍存在一定局限性:①受限于個體差異,fMRI在個體水平的應用依然受限,降低了fMRI數(shù)據(jù)的可靠性[29];②現(xiàn)有研究多數(shù)樣本量較小,模型泛化能力有待提升,且SZ與HC樣本量分布不均,導致預測結果存在偏倚;③不同精神疾病臨床特征存在重疊,尋找SZ生物學標志物較困難;④選擇ML算法、參數(shù)調(diào)整及模型驗證等均需進一步優(yōu)化。