基于闭环系统神经影像的深度学习新方法：为精神疾病分类提供诊断支持

《iScience》：Toward neuroimaging-based diagnostic support: a deep learning approach with a closed-loop system for psychiatric classification

本研究针对精神疾病诊断缺乏客观生物学标志的临床难题，开发了一种基于结构磁共振成像(sMRI)的斑块分层网络(PHN)深度学习框架。该模型在大型多中心数据集上成功区分了精神分裂症(SZ)、双相障碍(BD)、重度抑郁症(MDD)和强迫症(OCD)等主要精神疾病，并在真实临床环境中验证了其泛化能力。创新性地实现了闭环AI系统临床整合，为精神科诊断提供了首个神经影像学客观参考标准，显著推动了神经影像向临床实践的转化。

　　

在精神健康领域，准确的诊断一直是临床实践中的核心挑战。精神分裂症、双相障碍、重度抑郁症和强迫症等严重精神疾病，不仅症状存在大量重叠，还经常出现共病现象，导致医生主要依赖主观症状评估进行诊断，缺乏客观的生物学指标支持。这种依赖主观判断的现状常常造成诊断不确定性和不一致性，严重影响患者的治疗选择和预后。

随着神经影像技术的发展，结构磁共振成像为观察大脑结构变化提供了独特窗口。然而，尽管早期研究已经证明机器学习方法在基于脑影像数据分类精神疾病的可行性，但将这些研究成果转化为临床常规应用仍面临重大障碍。精神疾病相关的脑结构变化通常非常细微、分布广泛且个体间差异大，而现有研究多集中于单一疾病与健康对照的区分，忽视了临床实践中更为关键的多种精神疾病间的鉴别诊断。

为了填补这一研究空白，李清风等研究团队在《iScience》上发表了题为"Toward neuroimaging-based diagnostic support: a deep learning approach with a closed-loop system for psychiatric classification"的研究论文，开发了一种创新的斑块分层网络(Patch-based Hierarchical Network, PHN)，为实现神经影像辅助的精神疾病诊断迈出了实质性一步。

研究人员采用了几项关键技术方法：首先，他们收集了来自上海精神卫生中心的大型训练数据集(SMHC数据集，n=2,490)，包含健康对照和四种主要精神疾病患者的结构MRI数据；其次，设计了创新的斑块分层网络架构，包含预注意力阶段(PHN-stage1)和局部特征提取分类阶段(PHN-stage2)；第三，使用日本脑科学促进战略研究计划(SRPBS数据集，n=1,346)进行独立验证；最后，在上海精神卫生中心真实临床环境(n=344)中实施了闭环AI诊断支持系统。

模型架构的斑块分层神经网络

研究团队设计的PHN模型核心是斑块特征提取网络(P-FEN)，采用堆叠U型结构进行潜在特征提取。该设计基于自然图像分割模型，能够以相对较低的计算和内存成本进行广泛的多尺度特征提取。PHN-stage1通过随机采样图像斑块并输入P-FEN，生成疾病预测概率，形成注意力图；PHN-stage2则聚焦于注意力图中预测概率峰值最高的图像斑块，应用长短期记忆(LSTM)模型融合前10个空间分离斑块的特征，获得最终预测。

实验设置和交叉验证性能

通过5折交叉验证评估显示，PHN在10组两两比较中的7组实现了0.90或更高的AUC值，包括BD-HC、BD-MDD、BD-OCD、SZ-HC、SZ-MDD、SZ-OCD和OCD-HC。BD-SZ分类的AUC最低(0.68)，反映了这两种疾病在神经生物学特征上的高度重叠。在多类别分类中，PHN对HC、BD、MDD、SZ和OCD的AUC分别为0.90、0.73、0.91、0.84和0.93。

注意力图

通过生成PHN-stage1的平均注意力图，研究人员可视化了模型决策过程。这些图显示了模型在进行分类时最关注的大脑区域。例如，SZ的注意力图显示高注意力权重广泛分布在整个大脑；MDD的注意力图则在视觉和运动相关区域显示更局部化的高注意力权重；BD图突出显示了顶叶联合区；OCD图在前额叶中线结构和颞顶叶交界处显示强权重。

消融研究

消融研究证实了PHN各组件的重要性：替换注意力斑块选择机制导致性能显著下降；用VGG和ResNet架构替代P-FEN模块会降低分类性能；用多层感知机替换LSTM网络导致15项分类任务中12项的AUC值降低。研究还表明，PHN对PHN-stage2中选择的斑块数量(10-25)和输入斑块大小(32-80)在一定范围内保持稳定性能。

多类别分类

在更复杂的五类别分类任务中，PHN结合了成对和一对其余PHN二元分类器的特征，整体分类准确率超过50%，显著高于随机猜测概率。混淆矩阵显示，误分类最常见于特定类别对之间，如OCD-HC、BD-SZ和MDD-HC，突出了区分这些条件的固有挑战。

泛化能力

在SRPBS独立验证数据集上，PHN在所有分类任务中的AUC值均大于0.78(HC-Others和MDD-SZ分类除外)。在真实世界临床数据集中，PHN区分MDD与BD和SZ的AUC为0.748，区分SZ与BD和MDD为0.640，区分BD与MDD和SZ为0.619。

临床转化和真实世界评估

在84名有共病记录的患者中，PHN结果与临床诊断完全一致占32.1%，部分一致占22.6%。在核心症状识别方面，对精神病、抑郁和躁狂的分类准确率分别为0.689、0.904和0.581。

研究团队在上海精神卫生中心实施了真实的自动化神经影像报告系统，整合了医生工作站、MRI工作站和图像处理服务器，实现了从图像采集到报告生成的工作流自动化。该系统在闭环框架内运行，连接精神病医生请求、MRI采集、自动分析、结果交付和反馈收集，通过持续整合新脑图像和精神病医生的诊断反馈，促进模型的迭代学习和改进。

研究结论与意义

这项研究证明了将深度学习与脑结构成像相结合在提高精神疾病诊断客观性和准确性方面的巨大潜力。PHN能够区分多种精神疾病并识别潜在共病，在独立数据集上得到验证，并成功在真实临床环境中实施，为开发实用的神经影像辅助诊断工具奠定了基础。

尽管当前性能特别是对于诊断挑战性较大的比较(如BD与其他障碍)构成实际瓶颈，系统在现阶段尚不足以在常规临床实践中进行可靠、独立的诊断决策，但这项工作代表了在缩小研究与实践之间差距方面的重要一步。通过持续优化和前瞻性临床试验验证，这种神经影像辅助诊断支持工具有望最终成为改善精神疾病患者生活的有力手段。

研究的局限性包括当前PHN对某些疾病分类的性能仍需提升、缺乏OCD分类器的独立验证、未探索原始数据协调技术的明确应用，以及闭环系统真正临床效益尚待全面检验。未来工作应优先考虑大幅增加样本量、整合其他成像模式和非成像数据、探索更复杂的网络设计，以及专门为困难区分设计专用分类器。