编辑推荐：
在精神疾病研究中，当前诊断分类难以契合疾病病因，跨诊断研究需求迫切。研究人员开展 “知识图谱用于跨诊断数据分析” 的研究，发现知识图谱可整合多模态数据、辅助构建验证。这为精准理解精神疾病病因和个性化治疗带来新希望。
在精神医学领域，传统的疾病分类方式主要依据临床症状进行划分，但随着研究的深入，人们发现许多生物学变化常常跨越现有的诊断界限。比如，一些基因的变化并非只与单一的精神疾病相关，而是在多种疾病中都有所体现，这表明目前已确立的精神疾病临床划分方式，可能无法准确反映疾病的病因。同时，尽管人工智能在生物医学领域取得了显著进展，在精神病学中的应用也日益广泛，不过，现有的研究在跨诊断方法和构建验证方面仍面临诸多挑战。例如，研究难以确定临床表型在不同分析单元中的一致潜在变量结构，这使得人们难以深入理解精神疾病的发病机制，也限制了个性化医疗的发展。因此，寻找一种能够整合多模态数据、深入探究精神疾病潜在病因的新方法，成为精神医学研究的迫切需求。
在此背景下，研究人员开展了关于 “知识图谱用于跨诊断数据分析” 的研究。该研究成果发表在《Biomarkers in Neuropsychiatry》上。研究表明，知识图谱（Knowledge Graphs，KGs）作为一种网络结构，有望成为统一框架，融合理论驱动和数据驱动的方法，助力跨诊断研究。
在研究方法上，研究人员主要运用了以下关键技术：一是机器学习算法，通过半监督或无监督机器学习，如聚类算法，直接从生物、临床或神经影像数据中识别具有跨诊断相关性的结构；二是利用知识图谱相关技术，将已有知识编码到图谱中，借助图论中的多种度量方法，如中介中心性，分析网络结构，挖掘潜在信息。研究使用了大量公开数据，如 UK Biobank 等包含遗传、影像及临床信息的大规模数据库。
研究结果主要体现在以下几个方面：
- 数据驱动的自下而上方法：知识图谱可作为计算基础，引导人工智能应用聚焦于与跨诊断相关的维度。通过对图谱进行节点嵌入等操作，研究人员能够在图上进行聚类分析，识别疾病相关的子网和关键节点，进而找出跨诊断疾病过程的特定生物介质。例如，研究发现一些与罕见疾病相关的高阶结构，这为药物再利用提供了潜在依据。同时，基于知识图谱的方法在预测非编码 RNA（ncRNA）与疾病关联方面表现出色，不仅能准确捕捉已知关联，还能识别新的潜在疾病相关 ncRNA。
- 整合上下行方法验证跨诊断构建：知识图谱有助于将中间表型（如功能磁共振成像定义的表型）与遗传和临床条件联系起来。通过将具有跨诊断相关性的中间表型映射到知识图谱中，研究人员可以探索其遗传结构与临床疾病的关系，从而验证理论驱动的构建定义。如果图谱映射涉及的临床疾病范围比预期更广，还可能产生新的假设。此外，知识图谱分析不同生物组织层次之间的关系，能够帮助研究人员更好地理解不同构建之间的联系，以及它们与临床表型的映射关系。这为基于生物学的诊断实体重新概念化提供了支持，例如国际疾病分类第 11 版（ICD - 11）中已包含混合抑郁和焦虑的独特代码，知识图谱方法的新发现有望进一步推动基于生物学重叠的诊断实体的重新界定。
- 应用领域与注意事项：知识图谱在多种跨诊断框架中都具有应用价值，不仅适用于像研究领域标准（Research Domain Criteria，RDoC）这样的框架，也可用于研究个体变量及其跨疾病生物学，如反刍（rumination）这一跨诊断因素。然而，研究人员也指出，使用知识图谱时需要注意一些问题。一方面，知识图谱的数据基础依赖于人类收集和评估的数据以及语义链接，容易受到自动生成文本（如大语言模型生成的文本）的影响，可能存在偏差，因此需要对数据来源进行严格审查，并在真实数据集中验证知识图谱得出的结论；另一方面，在进行分析时，要充分考虑计算效率和模型表达能力之间的平衡，尤其是在纳入神经影像数据等计算成本较高的数据类型时。
研究结论和讨论部分强调，知识图谱能够有效整合不同来源的数据，并揭示数据中隐藏的结构。将跨诊断理论与创新的、不受疾病分类学限制的方法相结合，对于深入理解精神疾病的病理结构至关重要。从临床应用角度来看，更深入地理解跨诊断疾病结构有助于更精准地为个体量身定制治疗方案，例如通过提高生物标志物对精神疾病发展的预测效度、深入了解疾病的生物学机制，以及更细致地评估症状和驱动因素，从而优化治疗技术。此外，知识图谱还有望与基于深度学习模型训练的非结构化临床数据表示相结合，进一步提高预测模型的能力，减少多模态数据采集的负担和成本，推动个性化医疗在精神疾病临床管理中的应用，为精神疾病的研究和治疗开辟新的道路。
