《Nature》：突破！AI找到大脑异常状况与精神疾病的特定联系

近日，来自宾夕法尼亚大学的研究人员完成了一项新研究：他们利用机器学习技术，准确将大脑网络的异常状况映射到精神疾病的不同维度中。这项研究发表在了《Nature Communications》上，实现了在这一领域生物标志物研究的巨大飞跃，从而更准确地对患者进行诊断和治疗。

对于大多数疾病来说，除了与患者直接交谈外，医生还会使用实验室检查和影像检测等手段来诊断病情。而对于精神疾病来讲，目前仅能依靠患者报告和医生观察来进行临床决策。导致这种情况的其中一个原因是，我们还无法弄懂大脑的异常状况是如何导致精神疾病症状的。另外，虽然曾经有相关研究发现了大脑异常的证据，但疾病自身存在的多样性限制了这种研究改善临床护理的可能。而此次完成的这项研究工作旨在利用数据驱动的方法，将心理健康问题及其相关的大脑网络异常与精神症状联系起来。

▲这项研究使用的算法原理示意图（图片来源：《Nature Communications》）

研究人员对年龄在8岁和22岁之间的999名年轻人组成的样本进行了研究，所有的参与者均完成了功能性MRI扫描和精神症状的综合评估。然后，研究人员使用了一种名为稀疏典型相关分析的机器学习方法（sparse canonical correlation analysis），来对参与者的大脑状况和症状数据进行分析。

研究结果显示，精神病理学的四个不同维度，即情绪、错乱、恐惧和破坏性行为，都能在大脑中找到特定的异常模式。研究人员发现，每个维度都包含来自几个不同临床诊断类别的症状表现。例如，情绪维度包括了三个临床类别的症状表现：抑郁症、躁狂症、强迫症。而破坏性行为维度主要由注意力缺陷多动障碍（ADHD）和对立违抗行障碍（ODD）的症状驱动，但也包括来自抑郁症这一类别中的易怒情绪。这些发现表明，当同时考虑大脑情况和症状数据时，精神症状并不完全归入某一个特定类别。相反，一组症状会从不同的临床领域中出现，并构成与大脑中异常状况的特定模式相关的某个维度。

▲精神病理学的四个维度与临床症状表现的映射状况示意图（图片来源：《Nature Communications》）

此外，该团队还研究了不同年龄和性别的精神病理学差异。他们发现，随着年龄的增长，与情绪和精神错乱相关的模式变得更加突出。此外，与情绪和恐惧相关的大脑连接模式在女性参与者中要比男性更为突出。

“这项研究表明，和过去将症状归到临床诊断类型中不同，我们能够以一种全新的方式，利用大脑异常状况的特定模式来理解精神疾病，”这项研究的负责人之一、宾夕法尼亚大学精神病学助理教授Theodore D. Satterthwait博士表示：“我们最终的希望是，了解精神疾病的生物学原理，从而能够为患者研发出更好的治疗方法。”

参考资料：Machine learning links dimensions of mental illness to abnormalities of brain networks

原文检索：Linked dimensions of psychopathology and connectivity in functional brain networks