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(xué)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(zhuǎn)化醫(yī)學(xué)工程技術(shù)研究中心,廣東 廣州 510370;4.廣東省神經(jīng)科學(xué)疾病研究重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510370)

精神分裂癥(schizophrenia, SZ)屬嚴(yán)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(qiáng),導(dǎo)致結(jié)果具有不確定性。如何實(shí)現(xiàn)個(gè)體化診療不同亞型SZ,如偏執(zhí)型、緊張型等,是當(dāng)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(xué)技術(shù),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(dòng)圖像[2]。傳統(tǒng)機(jī)器學(xué)習(xí)(machine learning, ML)是基于統(tǒng)計(jì)學(xué)習(xí)方法,需手動(dòng)提取特征以訓(xùn)練模型;而利用深度學(xué)習(xí)可自動(dòng)提取和學(xué)習(xí)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(jìn)展進(jìn)行綜述。

1 基于fMRI傳統(tǒng)ML診斷SZ

有學(xué)者[4]回顧性分析SZ患者與健康對(duì)照(healthy control, HC)的fMRI數(shù)據(jù),以此構(gòu)建基于Pearson相關(guān)性的功能連接(functional connectivity based on Pearson correlation, FCP)網(wǎng)絡(luò)和基于距離相關(guān)的功能連接(functional connectivity based on distance correlation, FCD)網(wǎng)絡(luò),并建立FCP、FCD及二者融合的支持向量機(jī)(support vector machine, SVM)模型;基于FCD網(wǎng)絡(luò)特征的SVM模型診斷SZ的準(zhǔn)確率為82.6%,而FCP與FCD融合SVM模型的準(zhǔn)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(cè)海馬旁區(qū)、左側(cè)前扣帶皮層、右側(cè)頂下小葉之間功能連接(functional connectivity, FC)降低而與左側(cè)顳葉區(qū)的FC增強(qiáng),提示后扣帶皮層FC具有作為SZ生物學(xué)標(biāo)志物的潛力;由此建立的SVM模型的診斷準(zhǔn)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(duì)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(zhǔn)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(zhǔn)確率為78.5%。WANG等[8]以ReHo值診斷SZ,準(zhǔn)確率達(dá)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(hào)建立SVM模型,其診斷SZ的準(zhǔn)確率為73.13%。見表1。

表1 基于fMRI傳統(tǒng)ML用于診斷SZ相關(guān)文獻(xiàn)

上述研究表明,基于fMRI相關(guān)腦網(wǎng)絡(luò)指標(biāo)的ML模型可有效診斷SZ,從而為臨床提供無創(chuàng)的影像學(xué)標(biāo)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(zhǔn)確率較高。但目前關(guān)于任務(wù)態(tài)fMRI相關(guān)研究深度仍不足,有待進(jìn)一步探索。

2 基于fMRI傳統(tǒng)ML預(yù)測(cè)SZ治療反應(yīng)

2.1 預(yù)測(cè)SZ藥物治療反應(yīng) 目前治療SZ仍以藥物為主,起效時(shí)間均較慢,且現(xiàn)有最佳方案治療效率較低,導(dǎo)致治療反應(yīng)延遲,使患者遭受不必要的痛苦,增加自殺風(fēng)險(xiǎn)及醫(yī)療費(fèi)用,需尋找更為高效的選擇最佳藥物方法。一項(xiàng)納入22篇研究的薈萃分析[11]指出,以基于fMRI的ML預(yù)測(cè)SZ患者對(duì)于抗精神藥物治療反應(yīng)的曲線下面積為0.849,敏感度為81%,特異度為76%。CUI等[12]報(bào)道,基于大腦半球之間連通性的SVM模型用于預(yù)測(cè)SZ對(duì)奧氮平、帕利哌酮等第二代精神藥物早期治療反應(yīng)的準(zhǔn)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(jī)森林模型可預(yù)測(cè)其治療反應(yīng),準(zhǔn)確率為89%。SMUCNY等[14]基于背外側(cè)前額葉皮層fMRI特征的SVM及隨機(jī)森林等模型預(yù)測(cè)65例SZ對(duì)氯丙嗪的治療效果,準(zhǔn)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(yù)測(cè)其對(duì)抗精神病藥物的治療反應(yīng),準(zhǔn)確率為82.5%。

2.2 預(yù)測(cè)SZ物理治療反應(yīng) 相比傳統(tǒng)藥物治療,物理治療SZ具有起效快、不良反應(yīng)少和療效佳等特點(diǎn),但治療敏感性存在個(gè)體差異,使得篩選可預(yù)測(cè)治療反應(yīng)的生物學(xué)標(biāo)志物成為關(guān)鍵。基于fMRI的傳統(tǒng)ML可用于預(yù)測(cè)SZ患者治療反應(yīng),從而改善治療效果,減少不必要的痛苦、降低醫(yī)療費(fèi)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(zhì)神經(jīng)細(xì)胞活動(dòng)的非侵入性技術(shù),易于實(shí)施且不良反應(yīng)少,可輔助治療SZ持續(xù)性幻聽[16]。PAUL等[17]針對(duì)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(yīng)答與無應(yīng)答者的準(zhǔn)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(shí)消失后,以一定量電流通過患者頭部使其大腦皮質(zhì)癲癇樣放電而于短時(shí)間內(nèi)產(chǎn)生治療效果,但同時(shí)可能導(dǎo)致短期記憶暫時(shí)缺失。有學(xué)者[18]分析57例SZ患者,提取MECT治療后有反應(yīng)與無反應(yīng)組間大腦灰質(zhì)特征,以此建立的SVM模型在訓(xùn)練集和驗(yàn)證集中區(qū)分治療反應(yīng)性的準(zhǔn)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(jī)森林模型用于預(yù)測(cè)其對(duì)MECT治療效果的準(zhǔn)確率為75%。

3 基于fMRI深度學(xué)習(xí)診斷SZ

ZHENG等[20]基于fMRI建立的卷積神經(jīng)網(wǎng)絡(luò)模型診斷SZ的準(zhǔn)確率高達(dá)84.3%。CUI等[21]基于顳上回、島葉、丘腦等區(qū)域灰質(zhì)、白質(zhì)和腦脊液體積特征,以深度神經(jīng)網(wǎng)絡(luò)對(duì)SZ與HC進(jìn)行分類,準(zhǔn)確率為77.19%～85.74%。多尺度遞歸神經(jīng)網(wǎng)絡(luò)適用于融合多尺度信息、處理時(shí)序數(shù)據(jù),但模型計(jì)算復(fù)雜度較高[22];卷積遞歸神經(jīng)網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)與遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合的深度學(xué)習(xí)架構(gòu),可通過卷積神經(jīng)網(wǎng)絡(luò)提取圖像局部特征,并通過遞歸神經(jīng)網(wǎng)絡(luò)處理時(shí)序信息,在整合多尺度信息方面具有出色表現(xiàn),但計(jì)算所需資源仍較多[23]。ZHAO等[24]基于獨(dú)立成分和時(shí)間歷程兩大特征,結(jié)合卷積遞歸神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)而提出了集成大腦連接與活動(dòng)的混合深度學(xué)習(xí)框架,其用于診斷SZ的準(zhǔn)確率為85.3%。YAN等[22]以fMRI數(shù)據(jù)獨(dú)立成分特征的多尺度遞歸神經(jīng)網(wǎng)絡(luò)診斷SZ的準(zhǔn)確率為83.2%。QURESHI等[25]基于fMRI獨(dú)立成分特征三維卷積神經(jīng)網(wǎng)絡(luò)診斷SZ的準(zhǔn)確率達(dá)98.09%。三維卷積神經(jīng)網(wǎng)絡(luò)可在三維空間中處理腦部圖像,更好地考慮腦內(nèi)立體結(jié)構(gòu)及腦區(qū)間的連接,但相比二維卷積神經(jīng)網(wǎng)絡(luò)仍需要更多計(jì)算資源[26]。CHEN等[27]發(fā)現(xiàn),稀疏深度神經(jīng)網(wǎng)絡(luò)用于診斷SZ的效能略優(yōu)于獨(dú)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(luò)雖可自動(dòng)學(xué)習(xí)復(fù)雜的非線性特征、捕捉SZ復(fù)雜病理學(xué)特征,但需大量訓(xùn)練數(shù)據(jù),且決策過程較難解釋[28]。以上結(jié)果提示,選擇神經(jīng)網(wǎng)絡(luò)以構(gòu)建診斷SZ模型時(shí),需綜合考慮數(shù)據(jù)類型、問題復(fù)雜性、數(shù)據(jù)規(guī)模及計(jì)算資源。另一方面,深度學(xué)習(xí)雖然特征識(shí)別能力、復(fù)雜數(shù)據(jù)處理能力均屬強(qiáng)大,且具有良好的泛化能力,有助于診斷SZ,但受限于疾病復(fù)雜性和多樣性,目前以之預(yù)測(cè)SZ治療反應(yīng)的研究尚少,有待后續(xù)進(jìn)一步觀察。

4 小結(jié)與展望

基于fMRI的ML已在診療SZ方面取得相當(dāng)進(jìn)展,且應(yīng)用前景廣闊,但仍存在一定局限性:①受限于個(gè)體差異,fMRI在個(gè)體水平的應(yīng)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(dǎo)致預(yù)測(cè)結(jié)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(xué)標(biāo)志物較困難;④選擇ML算法、參數(shù)調(diào)整及模型驗(yàn)證等均需進(jìn)一步優(yōu)化。