基于小脑规范特征的神经精神疾病预测模型构建及多图谱解析

本研究针对神经精神疾病生物标志物发现难题，创新性地采用机器学习方法分析>27k样本的小脑规范模型数据，发现小脑结构特征可中度预测自闭症谱系障碍(ASD)和精神分裂症(SZ)（AUROC 0.56-0.65），通过四种小脑图谱解析了前/后叶区域贡献差异，为突破传统"皮质中心偏倚"提供了新视角。

　　

神经精神疾病的精准诊断一直面临生物标志物缺乏的挑战。传统脑影像研究多聚焦于大脑皮层，存在明显的"皮质中心偏倚"，而小脑这一与认知情感密切相关的脑区长期被忽视。更棘手的是，自闭症谱系障碍(ASD)和精神分裂症(SZ)等疾病具有高度临床和生物学异质性，导致基于脑结构的预测准确率普遍较低。近年研究发现小脑发育异常可能与多种神经精神疾病相关，但小脑特征是否具有疾病分类价值仍属未知。

挪威奥斯陆大学等机构的研究团队在《Biological Psychiatry Global Open Science》发表重要成果，通过构建覆盖3-85岁27,117人的小脑规范模型，结合多中心临床数据，首次系统评估了小脑特征对五种神经精神疾病的预测效能。研究创新性地整合四种小脑图谱（解剖、任务、层级和静息态），采用机器学习分析发现小脑特征可中度区分ASD和SZ患者，相关脑区涉及运动与认知功能环路，为理解这些疾病的神经机制提供了新视角。

关键技术包括：1) 基于ACAPULCO算法的28个小脑小叶自动分割；2) SUIT工具箱的体素水平形态测量；3) 贝叶斯线性回归构建生命周期规范模型；4) 来自ABIDE、ADNI等五大队列的临床样本匹配；5) 逻辑回归和随机森林分类器评估预测效能。

样本与数据处理：
研究纳入来自五大队列的匹配样本，包括317例ASD、238例BD、195例SZ、122例MCI和116例AD患者。通过严格的质控流程，采用ACAPULCO算法实现小脑28个叶的精确分割，SUIT处理体素水平数据，并建立考虑年龄、性别和扫描站点的规范模型。

预测模型构建：
研究创新性地计算了每个感兴趣区的三个关键指标：中位数、方差和极端偏差百分比。逻辑回归分析显示，基于小脑特征的模型对ASD和SZ具有显著预测力（经置换检验p<0.05），其中ASD最佳预测指标为小叶体积和体素方差特征，SZ则为中位数和方差特征。

特征重要性解析：
在SZ中，解剖图谱显示蚓部IX和左IV区的极端负偏差最具预测性；任务图谱突出语言相关区域（区9/10）；层级图谱显示左S1（社会-语言-空间）和D1（需求）区关键；静息图谱强调边缘A区（情绪处理）和躯体运动A区。ASD则主要与左VIIB和左Crus II等后叶区域相关。

讨论与意义：
该研究突破性地证实小脑结构特征对ASD和SZ具有中度预测价值，AUROC虽未达临床实用标准，但显著高于随机水平。特征分析揭示小脑前叶（运动相关）和后叶（认知情感相关）的共同贡献，特别是：

1. SZ相关特征集中于蚓部IX和语言任务区，印证了该疾病语言障碍和小脑-皮层环路异常的假说；
2. ASD的预测主要依赖后叶区域变异，与其异质性临床表现相符；
3. 未发现小脑特征对AD/MCI的显著预测力，提示这些疾病中小脑可能相对保留。

研究创新性地采用多图谱策略，发现不同图谱各具优势：解剖图谱定位精确，任务图谱揭示功能关联，静息图谱显示网络异常。这种多角度解析为理解小脑在神经精神疾病中的作用提供了立体视角。

局限性包括样本异质性、儿童模板适用性等问题。未来研究需整合全脑特征，追踪纵向变化。尽管如此，该工作为突破传统神经影像研究范式提供了重要范例，其建立的公开数据集PCNportal将持续推动该领域发展。

结论部分强调，这是首个系统评估小脑规范特征预测价值的大规模研究，证实小脑结构变异可作为ASD和SZ的辅助生物标志物。通过四种互补的图谱解析，揭示了小脑不同功能区在疾病中的特异性改变，为开发基于小脑的精准诊疗策略奠定了理论基础。