揭示精神分裂症发病机制：自上而下认知控制减弱与自下而上信号增强

研究人员为探究精神分裂症发病机制，构建 ISAE-SVM 模型，发现其与异常脑区连接有关，助力诊断。

　　精神分裂症，这个神秘而又令人畏惧的精神疾病，如同隐匿在黑暗中的幽灵，悄然影响着全球约 1% 人口的生活。它通常在 15 - 35 岁这一人生最具活力和创造力的阶段登场，给患者及其家庭带来沉重的负担。从经济层面来看，不同国家每年为精神分裂症患者投入的费用从 9400 万美元到 1020 亿美元不等，其经济负担占国内生产总值的 0.02% - 1.65% 。

精神分裂症的症状复杂多样，充满了异质性。患者常常出现认知障碍，比如深陷怀疑、迫害妄想的泥沼，交谈时缺乏自然流畅性，注意力也难以集中；同时，还会遭受知觉障碍的折磨，出现幻觉等症状。当前，科研人员对精神分裂症的研究主要聚焦于两个方向：以认知障碍为核心的神经心理学研究，以及侧重于异常知觉体验的现象学研究。然而，尽管研究不断深入，精神分裂症究竟是由自上而下的认知控制机制异常、自下而上的知觉过程紊乱，还是两者的相互作用所引发，至今仍是未解之谜。

为了揭开这一谜团，北京理工大学、深圳大学等研究机构的研究人员展开了深入研究。他们的研究成果发表在《Schizophrenia》杂志上，为我们理解精神分裂症的发病机制带来了新的曙光。

研究人员采用了多种关键技术方法。首先，他们从 COBRE 数据库获取了 58 例精神分裂症患者和 62 例健康对照者的 120 份静息态功能磁共振成像（rs-fMRI）数据及 120 份阳性和阴性症状量表（PANSS）评分数据。随后，运用 DPABI 软件对 rs-fMRI 数据进行预处理。接着，研究人员开发了改进的堆叠自动编码器 - 支持向量机（ISAE-SVM）模型用于诊断精神分裂症。该模型由 ISAE 网络和 SVM 算法两部分组成，其中 ISAE 网络通过引入 “Shortcut Connection” 和新的成本函数，有效解决了梯度消失问题，提升了模型的学习能力。为了进一步探究大脑区域之间的关系，研究人员利用置换检验提取了 213 个最具判别力的功能连接，并进行了统计分析、相关性分析，还运用光谱动态因果模型（sDCM）分析了大脑区域间的动态因果相互作用。

研究结果主要包括以下几个方面：

• ISAE-SVM 模型分类结果：ISAE-SVM 模型的分类准确率达到 0.82±0.11，显著高于其他对比模型。这表明该模型在区分精神分裂症患者和健康对照者方面具有较高的效能，在精度和召回率之间实现了良好的平衡，不过其计算和存储需求相对较高。
• 最具判别力功能连接的分布：研究发现，颞叶和枕叶内的脑区连接强度和数量在两组中均较高，额叶与颞叶、枕叶与颞叶之间的连接强度和数量也高于其他脑区间的连接。这意味着额叶、颞叶和枕叶可能是精神分裂症研究中的关键脑区。
• 相关性分析结果：有五条自上而下的功能连接与 PANSS 量表的子项评分相关。例如，从左侧眶额下回（ORBinf.L）到左侧颞横回（HES.L）的连接强度与 G1 评分相关，这表明这些连接可能与精神分裂症的临床症状密切相关。
• sDCM 分析结果：与健康对照组相比，精神分裂症患者的自上而下有效连接较弱，如从 ORBinf.L 到右侧楔叶（CUN.R）等连接；而自下而上的有效连接较强，如从 CUN.R 到 ORBinf.L 等连接。这揭示了精神分裂症患者大脑中不同脑区之间信息交互的异常。

研究结论和讨论部分指出，较弱的自上而下认知控制和较强的自下而上信号传输共同构成了精神分裂症的致病机制。这一发现验证了研究人员最初的假设，与精神疾病的三成分模型相契合，即精神疾病由感觉输入（自下而上过程）、概念的内部生成（自上而下过程）以及两者之间的控制（交互作用）异常所导致。此外，研究开发的 ISAE-SVM 模型为精神分裂症的临床诊断提供了一种潜在的智能诊断工具，其较高的分类准确率显示出深度学习在寻找生物标志物以实现精神分裂症临床诊断方面的巨大潜力。不过，该研究也存在一定的局限性，如未纳入个性化临床数据，未来需要整合多模态成像数据以寻找更全面的生物标志物。总体而言，这项研究为精神分裂症的研究开辟了新的方向，有助于深入理解其复杂的发病机制，推动临床诊断和治疗的发展。