Biological Psychiatry: 基于多模态脑影像的个体指标预测-方法及临床应用

请点击上面“思影科技”四个字，选择关注我们，思影科技专注于脑影像数据处理，涵盖（fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动）等，希望专业的内容可以给关注者带来帮助，欢迎留言讨论及转发推荐，也欢迎了解思影科技的课程及数据处理服务，可添加微信号siyingyxf或18983979082进行咨询(咨询电话[phone]，杨晓飞）。(文末点击浏览）

前言

磁共振成像(MRI)极大地增强了人们对认知能力潜在的神经基础的理解，并在精神疾病的临床诊断及疗效评价中发挥了重要作用。传统神经科学研究以建立影像度量与行为变量之间的映射关系为主要目标，常借助单变量分析方法，对脑影像特征(如灰质体积、皮层厚度、功能连接强度等)与特定认知评分进行相关性分析，或者探究感兴趣脑区在精神疾病患者和健康人之间是否存在显著差异。此类研究可以帮助人们定性地理解相关认知行为的表层机理，具有统计学描述意义，但是难以在个体的水平对认知进行预测。随着机器学习算法的发展，神经科学的研究进入到了以多变量个体预测方法为主要手段的转化神经科学阶段，即利用先进的机器学习算法，开发和应用能够在个体水平对认知能力、疾病严重程度、治疗效应水平等连续变量进行精准预测的机器学习模型。

2020年3月，Biological Psychiatry在线上发表了题为《Neuroimaging-based Individualized Prediction of Cognition and Behavior for Mental Disorders and Health: Methods and Promises》的综述文章,通过在谷歌学术及PubMed中根据“biomarker”, “cogniti*”, “predict*”, “behavior*”, “regression”, “individual difference”, “neuroimaging”, “cross validation”等关键词进行检索，纳入了122项研究，系统地阐述了当前个体化预测研究的发展现状、归纳了主流分析方法的优缺点及其代表性应用，深入分析了目前该领域存在的若干关键问题，及其对应的未来发展方向。

总体概述

图1：基于机器学习和神经影像的个体化预测研究总结

如图1A所示，自2010年来，关于个体化预测的文章逐年递增，但上千例的大样本研究仍然较少(Fig 1B)。近两三年来，一些基于多中心、大样本、多模态的影像学预测研究逐渐增多。目前，基于神经影像的个体化预测工作主要集中在认知能力、疾病症状严重程度、性格特质、情绪感受等四大类别。通过归纳分析发现:

      1）对认知能力的预测(Fig1C)是当前研究的热点。该类研究的目的是探讨大脑如何编码、存储各种复杂的认知功能: 智力、阅读能力、注意力和工作记忆能力是最常被研究的几种认知指标(Fig1D)。

      2）第二大类别是对精神疾病的症状严重程度进行预测。目前临床上尚缺乏可用于评定精神疾病严重程度的生物标记物，基于脑影像特征的症状预测有望为疾病早期诊断及治疗提供有针对性的个性化指导。该类型的工作已经应用到了包括精神分裂症、抑郁症、阿尔兹海默症、双向情感障碍、多动症及帕金森氏病在内的多种神经精神疾病。此外，相对于健康人群，个体化预测模型对精神疾病患者的相关指标取得了更高的预测精度，这可能是因为目前所使用的行为量表对精神疾病患者具有更高的特异性(Fig1E)。

      3）基于多模态影像特征总体上相比单模态能够提高一定的预测精度(Fig 1F)。

如果您对脑影像及机器学习感兴趣，欢迎浏览思影科技课程及数据处理服务（可添加微信号siyingyxf或18983979082咨询）：

回归方法归纳

图2.用于个体化预测研究的回归方法归纳

如图2，目前国际上主流的用于个体预测的方法主要是基于回归分析，根据预测目标的多少可分为单任务和多任务两大类；包括：多元线性回归、LASSO、弹性网、岭回归、支持向量回归、关联向量回归以及偏最小二乘回归等。此外，随着计算性能的提升，一些研究已经开始使用深度学习算法构建个体预测模型，但是该类研究相对较少，主要是因为深度学习对数据量要求较高，并且模型的可解释性有待提高。文章系统介绍了以上预测方法的优缺点，并回顾了这些方法在行为指标预测中的代表性成果。

Figure 3.Overview of the connectome-based predictive modeling (CPM) framework and its applications in behavior prediction

Figure 4.Using multimodal data to predict cognition promotes the biomarker identification.

问题与展望

尽管基于机器学习算法的预测模型在多种行为变量评估中都取得了较好的结果，但目前该领域仍然存在一些亟待解决的问题：

• 大部分研究所使用的样本量较小，而模型预测精度与样本量呈显著的负相关关系(Fig 1B)，这说明较好的预测效果更容易在小样本上获得, 而这极有可能是模型的过拟合造成的，过拟合是个体预测模型不能有效应用于实践的主要原因。未来研究中，研究人员需要谨慎地处理神经影像数据的高维异构小样本的问题。
• 大多数研究基于单一模态特征进行预测，多模态特征间的互补信息未被充分利用。文献检索发现，仅有少部分的研究同时使用了两种或以上的脑影像特征来对个体行为进行预测，而融合多模态特征的预测模型已证实能够取得更优的预测精度，因此多模态是个体化预测研究未来重要的发展方向之一。
• 稳健可靠的泛化性能是保证模型能够应用于实践的必要条件。基于小样本建立预测模型可能存在假阳性及统计效力不足问题，对预测的可靠性提出了严峻挑战。因此，对结果可重复性的测试以及对模型泛化性能的检验是一项可靠的个体化预测研究的必要条件。
• 当前深度学习在基于神经影像的个体化行为预测中的应用还相对较少。未来研究可充分利用深度学习在自适应提取高层抽象特征上的优势，基于大样本、多类型数据进行多种行为、认知指标的个体化评估。

综上，基于人工智能技术的个体化预测研究是当前神经科学研究的热点与前沿，需要多学科知识交叉，以寻找稳健可靠的客观影像学标记物为主要目标，以期在教育和临床诊疗中发挥积极作用，辅助实现“精准医疗”。

https://doi.org/10.1016/j.biopsych.2020.02.016

参考文献：

1.  Woo CW, Chang LJ, Lindquist MA, Wager TD (2017): Building better biomarkers: brain models in translational neuroimaging. Nat Neurosci. 20:365-377.
2. Jiang R, Calhoun VD, Fan L, Zuo N, Jung R, Qi S, Lin D, Li J, Zhuo C, Song M, Fu Z, Jiang T, Sui J. Gender Differences in Connectome-based Predictions of Individualized Intelligence Quotient and Sub-domain Scores [J]. Cerebral Cortex, 2020, 30: 888-900.
3. Jiang R, Zuo N, Ford JM, Qi S, Zhi D, Zhuo C, et al. (2019): Task-induced brain connectivity promotes the detection of individual differences in brain-behavior relationships. NeuroImage.116370.
4. Greene AS, Gao S, Scheinost D, Constable RT (2018): Task-induced brain state manipulation improves prediction of individual traits. Nature communications. 9:2807.
5. Sui J, Qi S, van Erp TGM, Bustillo J, Jiang R, Lin D, et al. (2018): Multimodal neuromarkers in schizophrenia via cognition-guided MRI fusion. Nature communications. 9:3028.
6. Finn ES, Shen X, Scheinost D, Rosenberg MD, Huang J, Chun MM, et al. (2015): Functional connectome fingerprinting: identifying individuals using patterns of brain connectivity. Nat Neurosci. 18:1664-1671.
7. Arbabshirani MR, Plis S, Sui J, Calhoun VD (2016): Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls. Neuroimage.

如需原文请加思影科技微信：siyingyxf 或者18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。觉得对您的研究有帮助，请给个转发，以及右下角点击一下在看，是对思影科技莫大的支持。

微信扫码或者长按选择识别关注思影

非常感谢转发支持与推荐

欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：

第七届脑电信号数据处理提高班（南京，11.18-23）

脑磁图（MEG）数据处理学习班（预报名）

数据处理业务介绍：

招聘及产品：

招聘：脑影像数据处理工程师（重庆&南京）

此处点击在看，让更多朋友关注思影