研究发现跨物种机器学习可提升精神疾病磁共振影像诊断准确性

6月17日，American Journal of Psychiatry 期刊在线发表题为Diagnostic Classification for Human Autism and Obsessive-Compulsive Disorder based on Machine Learning from a Primate Genetic Model 的研究论文。

该研究由中国科学院脑科学与智能技术卓越创新中心（神经科学研究所）、上海脑科学与类脑研究中心、神经科学国家重点实验室研究员王征研究组与中科院自动化研究所研究员赫然课题组合作完成，整合灵长类动物模型和临床精神疾病患者的功能磁共振影像数据，国际上首次设计猴-人跨物种的机器学习分析流程，利用从转基因猕猴模型上学习的特征构建临床精神疾病患者的分类器模型，进而深入解析人类自闭症和强迫症的神经环路机制，为精神疾病的影像学精准诊断提供了新证据，发现了利用非人灵长类模型服务精神疾病临床应用需求的新途径。

自闭症（ASD）是一种神经系统失调的发育性疾病，具有高度的异质性，患者常伴随强迫症（OCD）、注意力缺陷多动症（ADHD）等并发症，给临床诊断和病理机制研究带来巨大挑战。非人灵长类模式动物与人类在脑结构与功能上较为接近，研究人员前期发现转基因灵长类动物模型能够表现出与人类临床患者类似的症状表型，如MECP2过表达的猕猴表现出重复刻板行为、社交行为障碍等类自闭症症状（Nature，2016），且在大脑环路上的异常也与部分自闭症患者相似（J Neurosci，2020）。

研究团队在以上前期工作基础上（IEEE TMI， 2015），探索灵长类物种间可能的进化保守特征，假设以保守的脑区功能为基础，构建可跨物种迁移的精神疾病分类预测模型（图A）。该研究运用Group LASSO算法对源自5只转基因猕猴和11只野生型猕猴的脑功能图谱数据进行脑区筛选，识别出9个核心脑区（图B）；将9个脑区一一映射到人类大脑，并用脑区间的功能连接形成特征集合，构建稀疏逻辑回归分类器，分别用于自闭症、强迫症和注意力缺陷多动症患者的诊断分类。患者数据分别来自ABIDE-I (1112人)、ABIDE-II（1114人）、OCD（186人）和ADHD-200（776人）等4个临床影像数据库。经交叉验证，该研究发现，基于转基因猕猴特征构建的分类模型对ABIDE-I数据集中自闭症患者和正常人的区分准确率达到82.14%，对ABIDE-II数据库中人类被试达到75.17%的准确率，显着高于基于自闭症和强迫症病人自身特征构建分类器的性能（图C）。当将同样的9个脑区拓展到强迫症影像数据时，研究发现，猕猴特征构建分类模型仍然能达到78.36%的准确率，显着高于基于自闭症患者特征构建的分类器性能。但这些基于猕猴模型学习的特征未能显着性地提升ADHD患者的分类准确率。进一步分析这些性能优越的分类器中的功能连接与精神疾病临床症状之间的关系，研究发现，右侧腹外侧前额叶皮层在自闭症和强迫症中同时扮演着双重角色，分别对应于各自特异的维度症状表型（图D）。(生物谷Bioon.com）