基于磁共振功能连接的深度学习方法在精神分裂症疾病分类应用

目前单个中心均缺乏大样本数据来支持优化脑成像技术的精神疾病分类结果，特别是异质性较高的精神疾病，如精神分裂症。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等，在神经影像中有着广泛的应用。深度学习可以从高维度成像数据中学习隐藏的数据特征，克服潜在的变异，并实现可重复的跨位点分类。然而，精神分裂症尚缺乏应用此类技术进行跨位点转移特征分类，来建立脑成像的特异性和更广泛的诊断模型。

本中心联合西京医院、湘雅医院、加州大学洛杉矶分校、圣路易斯华盛顿大学及生物医学研究中心数据库共同纳入了734例被试磁共振数据，其中精神分裂症患者357例，开发自动编码识别网络，根据磁共振成像的功能连接值班进行深度学习，来区分健康人群中的分裂症患者，从而达到识别诊断价值。

结果发现在多位点集中分类区分度为85%，多位点分散分类区分度为81.0％。通过功能连接分析显示精神分裂症皮层-纹状体-小脑环路功能连接障碍，深度学习分类最具辨别性的功能连接主要位于默认、凸显和控制网络。据此，我们推测皮层-纹状体-小脑环路在脑默认、凸显和控制网络上的功能连接障碍可能在精神分裂症病理生理学机制中发挥重要作用；同时我们所提出的深度学习方法可以鉴别分裂症与健康被试的功能连接分类，有助于理解病理生理学，并实现精神分裂症在脑成像多位点分类的精确预测。

 本文该研究已被《EBioMedicine》专业期刊接收发表，由中国人民解放军国防科学技术大学曾令李博士、西京医院王化宁博士和安徽医科大学第一附属医院胡盼盼博士共同第一作者，由西京医院谭庆荣教授、安徽医科大学第一附属医院汪凯教授和国防科学技术大学胡德文教授作为共同通讯作者，本研究同时获得国家自然科学基金和重点研究计划及省重点研究与发展项目基金支持。原文链接：https://www.ncbi.nlm.nih.gov/pubmed/29622496