Schizophrenia Research：支持向量机+结构MRI实现首发精神分裂症患者的分类诊断

脑成像研究表明，首发精神分裂患者（First-episode schizophrenia, FES）表现出广泛的脑结构和功能的异常变化，尤其是在前额叶和颞叶脑区。但是，这些前人的研究结果对于临床诊断FES似乎价值并不大。这主要是由于这些研究往往只能得到组水平上的具有统计学差异的脑区，而不能实现个体水平上的分类。而结合如支持向量机SVM的机器学习技术，可以克服上述传统分析方法存在的问题。大脑表面积（surface area）和皮层厚度（cortical thickness）是结构MRI研究中常用的两种指标，其对大脑结构异常变化具有较高的灵敏度。因此，大脑表面积和皮层厚度也成为精神分裂研究中受到极大关注的两种结构指标。尽管也有一些研究者采用机器学习技术+皮层厚度/功能连接的方法对FES进行分类，但是这些研究要么样本量太小，这使得机器学习训练得到的模型泛化能力较弱，要么采用多中心的大样本数据，但是多中心数据和被试往往不能很好地控制。因此，把机器学习技术应用于单一中心的大样本的FES脑影像数据，得到的分类结果似乎更加可靠。这里，笔者解读一篇发表于国际著名杂志《Schizophrenia Research》，题目为《Support vector machine-based classification of first episodedrug-naïve schizophrenia patients and healthy controls using structural MRI》的研究论文。该研究在单中心获取326名被试（FES和健康对照组各163名）的高分辨率结构MRI数据，并提取每个被试的大脑表面积和皮层厚度作为SVM的分类特征，获得了较高的FES分类准确度。

研究方法

1.被试：包括163名FES患者和163名匹配的健康被试，其临床资料如表1所示。

表1

2.MRI数据获取：采用GE 3T的MRI设备，获取每个被试高分辨率的T1加权成像MRI数据。

3.数据分析：结构MRI数据采用FreeSurfer工具包进行分析，分析采用标准的流程。简单地说，处理过程包括头动较正、去除非脑组织区域，Talairach转换、分割等。最后，采用默认的Desikan模板，获得68个脑区的平均表面积和皮层厚度。

4.多变量模式分类分析：多变量模式分类采用SVM分类器，SVM分类器由LIBSVM工具包提供（关于此工具包的使用请查阅公众号之前推送的文章：《支持向量机SVM工具包LIBSVM的安装和测试》）。上述提取的68个脑区的平均表面积和皮层厚度用作SVM的分类特征。首先，对这些特征进行归一化，然后，利用t检验去除一些分辨能力弱的特征，最后，利用10倍交叉验证的方法获得分类准确度、灵敏度、特异度、ROC曲线等表征分类性能的指标。

分类结果

1.分类结果：分类结果如表2所示，采用surfacearea作为分类特征，获得85%的分类准确度（特异度=87%，灵敏度=83%，P<0.001），而采用cortical thickness作为分类特征，可获得81.8%的分类准确度（特异度=85%，灵敏度=76.9%, P<0.001）。

表2

2.基于surface area分类结果：对基于surfacearea分类有贡献的脑区如表3和图3所示，包括left fusiform, left lingual, left posterior cingulate, left supramarginal, left insula, right isthmus cingulate, right lateral occipital,right lingual, and right frontal pole cortex。分类的决策边界和ROC曲线如图1所示，ROC曲线下面积AUC=0.85.

图1

图3

表3

3.基于cortical thickness分类结果：对基于corticalthickness分类有贡献的脑区如表4和图4所示，包括left inferior parietal, left rostral anterior cingulate, leftrostral middle frontal, right caudal middle frontal, right inferior parietal,right lingual, and right temporal pole cortex。分类的决策边界和ROC曲线如图2所示，ROC曲线下面积AUC=0.78.

图2

图4

表4

总结

 该研究利用机器学习的方法，分别获得了85%（采用surface area作为特征）和81.8%（采用cortical thickness作为特征）的分类准确度，这些结果证明了大脑结构的变化可以作为精神分裂早期诊断的生物标志物。此外，对分类有贡献的脑区主要位于默认网络 (DMN), 中央执行网络 (CEN), 显著网络,视觉和语言网络，所有这些网络都曾被报道在精神分裂患者中表现出异常。

      传统的脑影像分析方法往往只能获得组水平上的具有统计学差异的脑区，但是这对于临床疾病诊断的价值并不大。而采用如机器学习等新颖的分析技术，可以实现在个体水平上的疾病分类，这对于精神分裂症等精神疾病的临床诊断具有巨大的应用价值。参考文献原文请加赵老师微信索要。