來自倫敦健康科學(xué)中心勞森健康研究所（Lawson Health Research Institute, London HealthSciences Centre）的Osuch E等研究人員在Acta Psychiatrica Scandinavica（APS）期刊上發(fā)表了基于功能磁共振成像（fMRI）的情感障礙患者的分類和預(yù)測的相關(guān)研究。結(jié)果表明，他們提出的分類算法能夠?qū)η楦姓系K患者進(jìn)行較好的診斷，并且對復(fù)雜患者的藥物反應(yīng)進(jìn)行準(zhǔn)確預(yù)測。
本研究采集了99名受試者的功能磁共振數(shù)據(jù)。其中，受試者被分為雙相障礙患者（bipolar disorder, BD）、重度抑郁癥患者（major depressive disorder, MDD）和健康被試。其次，本研究采用已確診的受試者對模型進(jìn)行訓(xùn)練和驗(yàn)證。其主要步驟包括：提取了最大空間獨(dú)立成分、構(gòu)建了受試者之間的相似矩陣、核空間劃分（kernel space）相似矩陣、優(yōu)化支持向量機(jī)（Support Vector Machine, SVM）分類器和獨(dú)立成分組合。最后，本研究將訓(xùn)練好的分類器應(yīng)用到12名已確診的情緒障礙患者。結(jié)果表明，本研究提出的算法對已確診患者的分類正確率高達(dá)92.4%，并確定了最優(yōu)的5個獨(dú)立成分組合。此外，本研究將此分類模型應(yīng)用于12例未確診的情感障礙患者，其分類準(zhǔn)確率高達(dá)92%。
關(guān)鍵字：功能磁共振成像（fMRI）、獨(dú)立成分分析、支持向量機(jī)、雙相情感障礙、抑郁癥
被試招募
99名（年齡16-27歲）受試者，包括32名雙相情感障礙I型（Bipolar Disorder type I, BD-I）患者、34名重度抑郁癥（Major Depressive Disorder, MDD）患者和33名健康受試者（Healthy Control, HC）。其中，BD和MDD患者由First Episode Mood and Anxiety Program (FEMAP)和倫敦健康中心進(jìn)行招募。所有病人均通過 Structured Clinical Interview for DSM disorders-IV (SCID-IV)和theDiagnostic Interview for Genetic Studies (DIGS)診斷并經(jīng)過臨床精神病學(xué)診斷與評估。同時(shí)，本研究中存在12名未能確診的患者（unknown, UNK）。此外，所有病人治療藥物被簡化為抗抑郁癥類（antidepressants，AD）和情緒穩(wěn)定（mood stabilizers，MS）兩類。
數(shù)據(jù)采集與處理
本研究對所有受試者進(jìn)行了磁共振成像掃描，采集了T1加權(quán)MRI和fMRI功能影像。其中，BD和MDD患者在掃描前的3周服用藥物維持不變，同時(shí)掃描期間情緒正常（sustained euthymia）。本研究采用SPM工具包進(jìn)行數(shù)據(jù)預(yù)處理，其步驟主要包括前10個時(shí)間點(diǎn)去除、時(shí)間層校正、頭動校正、分割、空間標(biāo)準(zhǔn)化和空間平滑。
基于先前的分類方法，本研究改進(jìn)了分類算法。其主要包括四個部分：（1）基于fMRI數(shù)據(jù)估計(jì)空間獨(dú)立成分（Independent Components, ICs）；（2）基于sigmoid核函數(shù)構(gòu)建被試間相似性矩陣；
（3）在核空間對相似性矩陣進(jìn)行劃分；
（4）嵌套交叉驗(yàn)證支持向量機(jī)（support vector machine, SVM）分類器的構(gòu)建和獨(dú)立成分組合的優(yōu)化。詳細(xì)如圖1所示。
圖1. 分類器構(gòu)建框架
1. 基于fMRI數(shù)據(jù)估計(jì)空間獨(dú)立成分（independent components, ICs）：本研究在BD、MDD和HC三組上采用了組信息引導(dǎo)的獨(dú)立成分分析（Group information guided ICA， GIG-ICA）方法分解了20個獨(dú)立成分.
2. 基于sigmoid核構(gòu)建被試間相似性矩陣：為探討?yīng)毩⒊煞值慕M合以提高分類正確率，本研究構(gòu)建了由判別成分組合張成的子空間，并在此基礎(chǔ)上計(jì)算了被試成分之間的黎曼相似度/距離測度。如圖1.a所示
3. 采用SVM分類器進(jìn)行前向成分選擇（Forward component selection）：已確診的BD和MDD的分類器的嵌套交叉驗(yàn)證如圖1.a所示，未確診的UNK受試的分類器的測試如圖1.b所示。本研究采用步進(jìn)式（step-wise）前向特征選擇的方法對成分進(jìn)行選擇和組合優(yōu)化。最后，本研究基于已確診的BD和MDD的100個最優(yōu)獨(dú)立成分組合構(gòu)建了具有900個投票的分類器。
4. 未知標(biāo)簽的被試分類：本研究采用訓(xùn)練好的分類器對未確診的UNK患者進(jìn)行投票以便確定每個UNK患者的標(biāo)簽。
研究結(jié)果
BD、MDD和HC受試者的人口統(tǒng)計(jì)學(xué)信息如表1所示。雖然三組受試者無性別差異，BD患者的年齡大于MDD患者，但本研究采用MANCOVA統(tǒng)計(jì)檢驗(yàn)在性別和年齡未發(fā)現(xiàn)顯著的差異。另外，研究結(jié)果發(fā)現(xiàn)在每個IC上回歸人口統(tǒng)計(jì)信息協(xié)變量和未回歸協(xié)變量的結(jié)果表現(xiàn)相同。
為說明了人口統(tǒng)計(jì)信息的影響，本研究僅基于年齡和性別采用相同參數(shù)的SVM分類器對BD和MDD患者進(jìn)行了分類。其中正確率為49.32%、敏感性為89.19%和特異性為8.33%。
已確診的HC、BD和MDD的分類
針對BD和MDD的分類，本研究訓(xùn)練的分類器對不同數(shù)目的IC分類正確率均保持在84%以上。其中，最好的分類正確率為92.4%，敏感性87.5%和特異性97.1%，同時(shí)該分類器包含了5個獨(dú)立成分。本研究訓(xùn)練的分類器在BD和HC間的分類精度為91.4%，在MDD和HC間的分類精度為94.2%。同時(shí)，與以前的方法相比，本研究在模型精確度和耗時(shí)方面均有所提高。其中，本研究每個10折交叉僅耗時(shí)39.8小時(shí)，以前的方法則需耗時(shí)143.1小時(shí)。如圖2a所示。
已知的BD和MDD組之間的判別成分
本研究中在10次10折交叉驗(yàn)證中存在100種獨(dú)立成分的組合。圖2b中展示了最優(yōu)組合中20個成分出現(xiàn)的頻率。本研究選擇了5個成分（11、6、16、1、2，如圖2c所示）作為最具有判別能力的功能網(wǎng)絡(luò)來區(qū)分BD和MDD。上述5個成分主要包含了背側(cè)注意網(wǎng)絡(luò)、默認(rèn)網(wǎng)絡(luò)、額頂中心執(zhí)行網(wǎng)絡(luò)和突顯網(wǎng)絡(luò)，同時(shí)也包含了尾狀核、腦島和丘腦。
圖2. 分類結(jié)果
未確診UNK患者的分類
12名UNK受試者的BD vs. MDD的投票比例和分類器預(yù)測結(jié)果、掃描期間和情緒正常（sustained euthymia）狀態(tài)下的臨床診斷和藥物類別（medication-classes）和其他變量如表2所示。在本研究提出的具有二分類的SVM的診斷預(yù)測模型中，每個UNK受試者都被假定為BD或MDD患者。具體的病例信息和介紹可參考原文?；谑茉囌叩乃幬锓磻?yīng)，本研究提出的算法對12個受試者中的11個預(yù)測分類是正確的。值得注意的是，該算法以患者對藥物反應(yīng)為金標(biāo)準(zhǔn)（gold standard）。其中，該算法對5名腦功能更像BD的患者（具有MS藥物反應(yīng)）和2名腦功能更像MDD的患者（具有AD藥物反應(yīng)）進(jìn)行了正確的分類。同時(shí)，該算法對4名腦功能更像MDD的患者（未服用藥物且情緒正常）進(jìn)行保守的分類。此外，本研究對1名患有精神分裂障礙和腦功能更像MDD患者（對MS和AP藥物有反應(yīng)，而對AD藥物未有反應(yīng)）進(jìn)行了錯誤分類。
表2. 分類器投票、DIGS情緒診斷、臨床診斷和藥物類別信息
本研究基于fMRI提出了針對情感障礙的機(jī)器分類算法。該算法對確診的雙相障礙患者（BD）和重度抑郁癥患者（MDD）能夠進(jìn)行較好的區(qū)分（正確率高達(dá)92.4%）。同時(shí)，本研究對未確診的復(fù)雜患者也能正確分類（12名患者中11名正確分類）。結(jié)果表明本研究提出的算法對于復(fù)雜情感障礙的患者的診斷具有臨床價(jià)值。
參考文獻(xiàn)：Osuch E, Gao S, Wammes M, et al. Complexity in mood disorder diagnosis:fMRI connectivity networks predicted medication‐class of response in complexpatients[J]. Acta Psychiatrica Scandinavica, 2018, 138(5): 472-482
