机器学习有助于预测精神分裂症的治疗结果
发表在Molecular Psychiatry上的一项最新研究显示，通过机器学习算法和颞上皮层的功能连接，确定了首发精神分裂症患者药物治疗的准确率为78.6%，并以82.5%的准确率预测了他们对抗精神病治疗的反应。
寻找首发精神分裂症的生物标志物一直是一个挑战，在疾病早期阶段确定可靠的非侵入性脑成像标记仍然是目前研究的一个重要目标。使用这些生物标志物来预测精神分裂症早期对抗精神病药物治疗的反应，这在临床上是无价的。
研究人员使用机器学习算法，检查了38例首发未经药物治疗的精神分裂症患者和29例健康对照组的功能性MRI图像。具体来说，该算法测量了大脑皮层区域之间的功能连接。
患者接受利培酮治疗10周;在给药的第一周，剂量增加到每天3mg到6mg，然后保持不变直到研究结束。两名临床精神科医生对这项研究目的是不清楚的，他们检查了患者阳性和阴性症状量表(PANSS)的阳性症状和幻觉分量表的评分。
结果显示，与健康对照组相比，首发未接受药物治疗的精神分裂症患者，颞上皮层的功能连接异常。Cao和他的同事使用机器学习算法和颞上皮层与其他皮层区域之间的功能连接作为输入，这使他们能够准确地识别精神分裂症患者并预测他们对抗精神病治疗的反应(平均准确度:78.6%;准确度:77.8%;敏感性:74.4;特异性:82.8%)。
在受试者接受10周的抗精神病药物治疗后，研究人员发现，首发无药物治疗的精神分裂症患者症状有所改善，具体表现在PANSS总分(P<.0001)、阳性、阴性(P=.0109)、一般症状(P<.0001)上。基于预测的PANSS百分比下降，该模型还以82.5%的准确率预测患者对利培酮抗精神病治疗是否有积极的响应。
研究者称，“这只是第一步，最终我们希望找到可靠的生物标志物，能够在症状出现之前预测精神分裂症。我们还想利用机器学习来优化患者的治疗方案。未来，在机器学习的帮助下，如果医生能在第一次就诊时就能为特定的患者选择最佳的药物或治疗程序，那将是向前迈出的一大步。为精确的精神健康构建更好的工具，这也是患者、精神科医生、神经科学家、计算机科学家和其他学科的研究人员共同的目标。
扩展
机器学习算法有助于预测精神分裂症
IBM 科学家和阿尔伯塔大学加拿大埃德蒙顿分校在《自然》杂志的合作期刊《精神分裂症》(Schizophrenia)上发布了新的数据，证明 AI 和机器学习算法能够以 74% 的准确率帮助预测精神分裂症病例。这项追溯性分析还表明，根据在大脑不同区域观察到的活动之间的关联，该技术能够从很高的相关性预测精神分裂症患者特定症状的严重程度。这项开创性研究还可以帮助科学家识别更可靠、客观的神经影像生物指标(Neuroimaging Biomarkers)，用于预测精神分裂症及其严重等级。
阿尔伯塔大学的精神病学兼神经科学教授 SerdarDursun 博士表示：“这种独特、富有创新的多学科方法揭示了新的见解，加深了我们对精神分裂症的神经生物学原理的理解，可以帮助改善该疾病的治疗和管理。我们在大脑中发现了许多重要的异常连接，未来的研究可以探索这些连接，而且 AI 创建的模型让我们离发现基于神经影像的客观模式更进了一步，这些模式可以作为精神分裂症的诊断和预后指标。”
研究人员分析了来自开放数据集生物医学信息学功能研究网络 (fBIRN) 的去标识化的大脑功能核磁共振影像 (fMRI) 数据，数据中既包括精神分裂症患者和分裂情感性障碍患者，还包括健康的实验对照组。fMRI 通过大脑特定区域的血流变化来测量大脑活动。具体来讲，fBIRN 数据集反映了，根据对调研参与者执行一个普通听觉测试时收集的数据，在不同清晰度水平上对大脑网络执行的研究。通过检查来自 95 位参与者的扫描影像，研究人员使用机器学习技术开发了一种精神分裂症模型，用于识别大脑中与该疾病相关的最紧密的连接。
说明：从上图我们可以看出，在精神分裂症患者与没有该疾病的患者之间，一些大脑区域表现出具有统计意义的区别。例如，箭头 1 表示中央前回（Precentral Gyrus），箭头 5 表示参与处理视觉信息的楔前叶（Precuneus）。
IBM 和阿尔伯塔大学的研究结果表明，甚至在从多个站点（不同机器、跨越不同主体群等）收集的更具挑战的神经影像数据上，机器学习算法通过利用不同大脑区域间的活动关联，也能以 74% 的准确率区分精神分裂症患者与实验对照组。
此外，研究表明，功能网络连接也可以帮助确定患者表现出的多种症状的严重等级，包括注意力迟钝、行为怪异和思维形式障碍，以及失语症（言语贫乏）和动力缺乏。通过预测症状严重等级，可以得到更加量化、基于测量结果的精神分裂症特征；可以在一个范围内确定该疾病，而不只是看到一个非此即彼的二元标签（诊断或非诊断）。这种客观的、数据驱动的严重等级分析方法，最终可以帮助临床医生为患者量身定制治疗方案。
NIMH 的研究领域标准 (RDoC) 倡议强调了客观测量在精神病学中的重要性。这一领域常常称为“计算精神病学”（Computational Psychiatry），旨在使用现代技术和数据驱动的方法改善精神病学中的循证医疗决策，这一领域常常依赖于主观的评估方法。
Cao B, Cho R Y,Chen D, et al. Treatment response prediction and individualized identificationof first-episode drug-naïve schizophrenia using brain functionalconnectivity[J]. Molecular Psychiatry, 2018: 1.
大话精神编译，转载请联系编辑部授权。
投稿及医学服务请联系微信：dahuajingshen
或邮箱：dahuajingshen@126.com
长按二维码，关注大话精神