腦成像研究表明，首發精神分裂患者（First-episode schizophrenia， FES）表現出廣泛的腦結構和功能的異常變化，尤其是在前額葉和顳葉腦區。但是，這些前人的研究結果對於臨床診斷FES似乎價值並不大。這主要是由於這些研究往往只能得到組水平上的具有統計學差異的腦區，而不能實現個體水平上的分類。而結合如支援向量機SVM的機器學習技術，可以克服上述傳統分析方法存在的問題。

大腦表面積（surface area）和皮層厚度（cortical thickness）是結構MRI研究中常用的兩種指標

，其對大腦結構異常變化具有較高的靈敏度。因此，大腦表面積和皮層厚度也成為精神分裂研究中受到極大關注的兩種結構指標。儘管也有一些研究者採用機器學習技術+皮層厚度/功能連線的方法對FES進行分類，但是這些研究要麼樣本量太小，這使得機器學習訓練得到的模型泛化能力較弱，要麼採用多中心的大樣本資料，但是多中心資料和被試往往不能很好地控制。因此，把機器學習技術應用於單一中心的大樣本的FES腦影像資料，得到的分類結果似乎更加可靠。這裡，

筆者解讀一篇發表於國際著名雜誌《Schizophrenia Research》，題目為《Support vector machine-based classification of first episodedrug-nave schizophrenia patients and healthy controls using structural MRI》的研究論文。該研究在單中心獲取326名被試（FES和健康對照組各163名）的高解析度結構MRI資料，並提取每個被試的大腦表面積和皮層厚度作為SVM的分類特徵，獲得了較高的FES分類準確度

。

研究方法

1.被試

：包括163名FES患者和163名匹配的健康被試，其臨床資料如表1所示。

表1

2.MRI資料獲取

：採用GE 3T的MRI裝置，獲取每個被試高解析度的T1加權成像MRI資料。

3.資料分析

：結構MRI資料採用FreeSurfer工具包進行分析，分析採用標準的流程。簡單地說，處理過程包括頭動較正、去除非腦組織區域，Talairach轉換、分割等。最後，採用預設的Desikan模板，獲得68個腦區的平均表面積和皮層厚度。

4.多變數模式分類分析

：多變數模式分類採用SVM分類器，SVM分類器由LIBSVM工具包提供（關於此工具包的使用請查閱公眾號之前推送的文章：

《支援向量機SVM工具包LIBSVM的安裝和測試》

）。上述提取的68個腦區的平均表面積和皮層厚度用作SVM的分類特徵。首先，對這些特徵進行歸一化，然後，利用t檢驗去除一些分辨能力弱的特徵，最後，利用10倍交叉驗證的方法獲得分類準確度、靈敏度、特異度、ROC曲線等表徵分類效能的指標。

分類結果

1.分類結果

：分類結果如表2所示，採用surfacearea作為分類特徵，獲得85%的分類準確度（特異度=87%，靈敏度=83%，P<0。001），而採用cortical thickness作為分類特徵，可獲得81。8%的分類準確度（特異度=85%，靈敏度=76。9%， P<0。001）。

表2

2.基於surface area分類結果

：對基於surfacearea分類有貢獻的腦區如表3和圖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。分類的決策邊界和ROC曲線如圖1所示，ROC曲線下面積AUC=0。85。

圖1

圖3

表3

3.基於cortical thickness分類結果

：對基於corticalthickness分類有貢獻的腦區如表4和圖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。分類的決策邊界和ROC曲線如圖2所示，ROC曲線下面積AUC=0。78。

圖2

圖4

表4

總結

該研究利用機器學習的方法，分別獲得了85%（採用surface area作為特徵）和81.8%（採用cortical thickness作為特徵）的分類準確度，這些結果證明了大腦結構的變化可以作為精神分裂早期診斷的生物標誌物。此外，對分類有貢獻的腦區主要位於預設網路 (DMN), 中央執行網路 (CEN), 顯著網路,視覺和語言網路，所有這些網路都曾被報道在精神分裂患者中表現出異常

。

傳統的腦影像分析方法往往只能獲得組水平上的具有統計學差異的腦區，但是這對於臨床疾病診斷的價值並不大。而採用如機器學習等新穎的分析技術，可以實現在個體水平上的疾病分類，這對於精神分裂症等精神疾病的臨床診斷具有巨大的應用價值。參考文獻原文請加趙老師微信索要。