腦結(jié)構(gòu)連接改變與精神分裂癥(SZ)、雙相情感障礙(BD)和重度抑郁障礙(MDD)等精神疾病的病理生理學(xué)有關(guān)。然而，目前尚不清楚這些連接異常中的哪一部分是疾病特有的，哪些是精神障礙和情感障礙的共同特征。本文基于大樣本精神分裂癥、雙相情感障礙、重度抑郁患者和健康人群探討了共同和特有的連接性改變。 結(jié)果表明，不同組在網(wǎng)絡(luò)指標(biāo)全局效率、聚類、當(dāng)前邊緣和全局連接強(qiáng)度方面存在顯著差異，診斷之間的變化模式趨于一致。子網(wǎng)絡(luò)分析揭示了所有三種障礙中受影響邊緣的共同核心，但也揭示了障礙之間的差異。機(jī)器學(xué)習(xí)算法無法區(qū)分疾病，但可以區(qū)分每一種障礙和健康對(duì)照。此外，無論診斷如何，連接障礙模式在發(fā)病較早的患者中最為明顯。本文發(fā)表在Biological Psychiatry雜志。(可添加微信號(hào)siyingyxf或18983979082獲取原文，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群，原文也會(huì)在群里發(fā)布)。
思影曾做過多期腦網(wǎng)絡(luò)相關(guān)文章解讀，結(jié)合閱讀，加深理解，感謝幫轉(zhuǎn)支持（直接點(diǎn)擊，即可瀏覽，加微信號(hào)siyingyxf或18983979082獲取原文及補(bǔ)充材料）：
Nature Neuroscience：網(wǎng)絡(luò)神經(jīng)科學(xué)
PNAS：節(jié)食可調(diào)節(jié)年輕人腦網(wǎng)絡(luò)的穩(wěn)定性
網(wǎng)絡(luò)閾值和加權(quán)對(duì)結(jié)構(gòu)腦網(wǎng)絡(luò)的影響
復(fù)雜大腦網(wǎng)絡(luò)的結(jié)構(gòu)和功能
人腦的連接性中心節(jié)點(diǎn)促進(jìn)了人腦網(wǎng)絡(luò)的模塊化
大腦狀態(tài)的重構(gòu)與認(rèn)知行為之間的映射
大腦是一種什么樣的網(wǎng)絡(luò)?
大尺度功能腦組織結(jié)構(gòu)：6個(gè)主要原則
圖論方法在大腦網(wǎng)絡(luò)中的應(yīng)用
大腦網(wǎng)絡(luò)結(jié)構(gòu)、功能和控制的物理學(xué)
腦網(wǎng)絡(luò)研究中的圖論指標(biāo)詳解
從宏觀尺度腦網(wǎng)絡(luò)的角度看結(jié)構(gòu)--功能關(guān)系
圖論在靜息態(tài)和動(dòng)態(tài)腦連接評(píng)估中的應(yīng)用：構(gòu)建腦網(wǎng)絡(luò)的方法
腦網(wǎng)絡(luò)組織的經(jīng)濟(jì)性
兒童神經(jīng)認(rèn)知網(wǎng)絡(luò)的動(dòng)態(tài)功能連接
動(dòng)態(tài)功能連接：前景、問題和解釋
Nature reviews Neuroscience：認(rèn)知加工相關(guān)的默認(rèn)網(wǎng)絡(luò)
自閉癥研究中的默認(rèn)網(wǎng)絡(luò)
默認(rèn)網(wǎng)絡(luò)：最新的解剖、生理研究及其研究發(fā)展過程中的新觀點(diǎn)
腦網(wǎng)絡(luò)核心節(jié)點(diǎn)的發(fā)育
抑郁癥，神經(jīng)影像學(xué)和連接組學(xué)
重度抑郁癥多成像中心的泛化腦網(wǎng)絡(luò)標(biāo)志物
Biological Psychiatry：精分患者大腦的組織體積變化與腦網(wǎng)絡(luò)
基于人腦連接組學(xué)將疾病癥狀映射于腦網(wǎng)絡(luò)
大腦連接障礙中跨腦疾病的連接現(xiàn)代物理評(píng)論：大腦網(wǎng)絡(luò)中的動(dòng)力學(xué)控制
圖論在識(shí)別人腦網(wǎng)絡(luò)連通性模式中的應(yīng)用
網(wǎng)絡(luò)神經(jīng)科學(xué)中模型的性質(zhì)和使用
動(dòng)態(tài)腦網(wǎng)絡(luò)與創(chuàng)造力
方法：
這項(xiàng)研究分析了720名MDD患者、112名BD患者、69名SZ患者和842名健康對(duì)照(平均年齡：35.7歲)的基于擴(kuò)散加權(quán)成像的結(jié)構(gòu)性連接拓?fù)浣Y(jié)構(gòu)。采用圖網(wǎng)絡(luò)分析方法研究四組被試的連接組拓?fù)浣Y(jié)構(gòu)，并根據(jù)各組的結(jié)構(gòu)連接矩陣采用機(jī)器學(xué)習(xí)算法對(duì)四組被試進(jìn)行分類。
結(jié)果：
不同組在網(wǎng)絡(luò)指標(biāo)全局效率、聚類、當(dāng)前邊緣和全局連接強(qiáng)度方面存在顯著差異，診斷之間的變化模式趨于一致(例如，效率：HC>MDD>BD>SZ，pFDR=0.028)。子網(wǎng)絡(luò)分析揭示了所有三種障礙中受影響邊緣的共同核心，但也揭示了障礙之間的差異。機(jī)器學(xué)習(xí)算法無法區(qū)分疾病，但可以區(qū)分每一種障礙和健康對(duì)照。此外，無論診斷如何，連接障礙模式在發(fā)病較早的患者中最為明顯。
結(jié)論：
我們展示了SZ、BD和MDD的共同和特定的結(jié)構(gòu)性白質(zhì)連接障礙的特征，導(dǎo)致網(wǎng)絡(luò)效率普遍降低。這些結(jié)果表明，在一系列主要的精神障礙中，大腦通信受到了損害。
引言
將重大精神疾病概念化為“連接障礙疾病”由來已久，包括從早期的精神病學(xué)研究到現(xiàn)代的微觀和宏觀神經(jīng)科學(xué)的補(bǔ)充觀點(diǎn)。神經(jīng)成像技術(shù)提供了繪制人類連接組結(jié)構(gòu)圖并在體內(nèi)檢查結(jié)構(gòu)連接復(fù)雜網(wǎng)絡(luò)的可能性。在一系列條件下繪制大腦連通性的網(wǎng)絡(luò)結(jié)構(gòu)圖可以分析基于圖論的網(wǎng)絡(luò)全局度量，例如效率、聚類系數(shù)和小世界屬性，代表人腦的通信、分割和整合能力，以及大腦連通性結(jié)構(gòu)如何與健康和疾病相關(guān)。
研究連接組結(jié)構(gòu)中的變化有助于我們理解精神分裂癥(SZ)、雙相情感障礙(BD)和嚴(yán)重抑郁障礙(MDD)等一系列精神疾病中腦功能障礙的潛在機(jī)制。完整的腦白質(zhì)連接促進(jìn)了大腦的綜合功能，而這種連接的中斷使大腦網(wǎng)絡(luò)容易受到神經(jīng)和精神障礙的影響。使用網(wǎng)絡(luò)科學(xué)來闡明這些疾病中結(jié)構(gòu)性腦連接的變化已經(jīng)取得了很好的進(jìn)展。值得注意的是，研究不同條件下連接強(qiáng)度和網(wǎng)絡(luò)組織的差異可以精確定位條件內(nèi)和條件之間的具體解剖變化。
雖然SZ、BD和MDD在癥狀學(xué)上有所不同，在我們目前的診斷系統(tǒng)中被概念化為不同的疾病，但遺傳學(xué)研究和臨床表型分析指出了這些診斷之間相當(dāng)大的重疊。先前對(duì)SZ、BD和MDD的連接組研究表明，連接性改變可能在這些疾病的病理生理學(xué)中發(fā)揮基礎(chǔ)作用，但這些連接組研究通常一次只研究一種情況，因此未能闡明所報(bào)道的這些發(fā)現(xiàn)在多大程度上是特定的，或者它們是否有共同的基礎(chǔ)機(jī)制。雖然所有研究在報(bào)告的全局圖論指標(biāo)上都是不同的，并選擇性地聚焦在節(jié)點(diǎn)變化上，但在所有這些研究中，與健康對(duì)照相比，各種精神障礙中均出現(xiàn)了連接強(qiáng)度降低的模式(通過重建流線的數(shù)量來衡量)。只有很少的研究直接比較了幾種疾病。雖然大多數(shù)樣本量都不大，但最終的結(jié)果表明，精神分裂癥患者存在最嚴(yán)重的連接性障礙，這些連接性變化可能與遺傳易感性有關(guān)。
在目前的研究中，我們假設(shè)所有疾病的結(jié)構(gòu)連接組的變化，并分析這些變化是特定精神疾病的神經(jīng)生物學(xué)特征還是本質(zhì)上的診斷異常。鑒別和分離基于疾病特有的連接組變化，對(duì)于診斷和預(yù)測精神疾病長期結(jié)果的生物標(biāo)記物方面起著重要的推動(dòng)作用。在橫向分析中，我們分析和比較了SZ、BD、MDD和健康對(duì)照(HC)之間的結(jié)構(gòu)連接組差異，并評(píng)估了結(jié)構(gòu)連接性數(shù)據(jù)在疾病分類方面的預(yù)測作用。
材料和方法
數(shù)據(jù)獲取和預(yù)處理
納入的對(duì)象是馬爾堡-明斯特情感障礙隊(duì)列研究(MACS)的一部分。研究參與者的年齡在18歲到65歲之間，通過報(bào)紙廣告和當(dāng)?shù)鼐癫≡涸趦蓚€(gè)地點(diǎn)(德國馬爾堡和明斯特)招募。納入的對(duì)象是馬爾堡-明斯特情感障礙隊(duì)列研究(MACS)的一部分。研究參與者的年齡在18歲到65歲之間，通過報(bào)紙廣告和當(dāng)?shù)鼐癫≡涸趦蓚€(gè)地點(diǎn)(德國馬爾堡和明斯特)招募。采用DSM-IV-TR結(jié)構(gòu)性臨床訪談(SCID-I)確定精神病終生診斷。所有的實(shí)驗(yàn)都是在道德準(zhǔn)則和規(guī)定下進(jìn)行的，所有參與者在檢查前都給予了書面知情同意。這項(xiàng)分析采集了1776名參與者（馬爾堡：351名MDD,60名BD,54名SZ,533名HC;明斯特：402名MDD,62名BD,17名SZ,336名HC）。
在位于兩個(gè)地點(diǎn)的MACS研究中，兩臺(tái)3T西門子MR掃描儀用于數(shù)據(jù)采集(T1和彌散加權(quán)成像(DWI))。在所有分析中，掃描地點(diǎn)作為協(xié)變量包括在內(nèi)。
我們使用公開可用的開源CATO工具箱進(jìn)行數(shù)據(jù)預(yù)處理和解剖連接組重建。該過程包括以下步驟：對(duì)于DWI的預(yù)處理(使用FSL)和采用確定性跟蹤術(shù)進(jìn)行纖維束重建。隨后，我們獲得了每個(gè)參與者的114個(gè)大腦皮質(zhì)區(qū)域（節(jié)點(diǎn)）以及這些大腦區(qū)域之間重建的白質(zhì)流線(邊緣)的網(wǎng)絡(luò)。使用基于連續(xù)跟蹤纖維分配(FACT)算法的確定性流線形成術(shù)重建網(wǎng)絡(luò)邊緣。選擇了單張量重建和確定性跟蹤算法，因?yàn)樗诩訇幮院图訇栃岳w維重建之間提供了合理的平衡。如果至少有三條重構(gòu)的流線將兩個(gè)節(jié)點(diǎn)(即大腦區(qū)域)之間的邊連接在一起，以平衡得到的連接性矩陣的靈敏度和特異度，則將它們包括在內(nèi)。每個(gè)受試者的網(wǎng)絡(luò)最終被存儲(chǔ)在連通性矩陣中，其中行和列表示節(jié)點(diǎn)，矩陣條目表示邊(即以重建流線的數(shù)量作為連接強(qiáng)度)。
解剖連接組拓?fù)鋵W(xué)
使用圖論度量來評(píng)估解剖腦網(wǎng)絡(luò)的拓?fù)浣M織。我們使用基于二值化(連接存在或連接不存在)連接矩陣的當(dāng)前邊的總數(shù)，來描述未加權(quán)的網(wǎng)絡(luò)邊。全局效率被定義為所有節(jié)點(diǎn)對(duì)之間的平均反向最短路徑長度，通常被解釋為總體通信能力的度量。聚類系數(shù)被計(jì)算為一個(gè)節(jié)點(diǎn)周圍相互連接的平均可能性，也可作為一種可分離的測量。此外，針對(duì)不同的當(dāng)前邊數(shù)，對(duì)全局效率和聚類進(jìn)行了歸一化處理，歸一化度量分別表示為全局效率歸一化和聚類歸一化。為此，從每個(gè)受試者的連接組矩陣生成1000個(gè)隨機(jī)網(wǎng)絡(luò)，并將歸一化度量計(jì)算為隨機(jī)網(wǎng)絡(luò)的度量與平均度量的比率。小世界指數(shù)定義為歸一化聚類系數(shù)與歸一化最短路徑長度之比。連通性的總強(qiáng)度被計(jì)算為給定對(duì)象的加權(quán)網(wǎng)絡(luò)中所有邊的流線的總數(shù)。最后，我們通過將強(qiáng)度除以當(dāng)前邊緣來計(jì)算每條邊緣的平均流線數(shù)量。
質(zhì)量控制
通過對(duì)連接組矩陣的質(zhì)量控制導(dǎo)致馬爾堡樣本中排除了15個(gè)MDD、4個(gè)BD、1個(gè)SZ和12個(gè)HC，明斯德樣本中排除了18個(gè)MDD、6個(gè)BD、1個(gè)SZ和15個(gè)HC。最后的總樣本包含了馬爾堡445名患者(336名MDD，56名BD和53名SZ)和521名HC，以及明斯特的456名患者(384名MDD，56名BD和16名SZ)和321名HC(總計(jì)n=1743)。
統(tǒng)計(jì)分析
使用IBM SPSS Statistics 26、MatLab 2019b和Python3.7.9進(jìn)行統(tǒng)計(jì)分析。如果沒有特別說明，統(tǒng)計(jì)檢驗(yàn)是在α=0.05的雙側(cè)顯著性水平上進(jìn)行的。
在全局指標(biāo)上的組間差異
首先，分析了全局組間差異(HC、MDD、BD和SZ)。使用協(xié)方差分析(ANCOVA)，以各自的圖形度量為因變量，組別、性別、掃描站點(diǎn)為固定因素，年齡作為協(xié)變量。對(duì)ANCOVA有顯著組效應(yīng)的再進(jìn)行事后雙樣本T檢驗(yàn)，比較組間差異。對(duì)ANCOVA和事后雙樣本T檢驗(yàn)的P值均采用了FDR校正。
子網(wǎng)絡(luò)分析
為了研究哪些子網(wǎng)絡(luò)或哪些特定邊緣潛在地驅(qū)動(dòng)了觀察到的在強(qiáng)度上的組間差異，我們檢查了哪些邊緣與四組之間的強(qiáng)度差異有關(guān)。為此，我們使用基于網(wǎng)絡(luò)的統(tǒng)計(jì)(NBS)來檢測與群體效應(yīng)相關(guān)的一組邊緣。為了確定不同診斷之間的共同影響，我們首先比較了患者組合(包括所有SZ、BD和MDD患者)與HC。下一步，為了分析可能的特定障礙的影響，我們分析了所有不同組之間的配對(duì)差異。在每一項(xiàng)分析中，對(duì)于網(wǎng)絡(luò)中的每一條邊計(jì)算了兩組之間的t值。組別、性別、掃描站點(diǎn)為固定因素，年齡作為協(xié)變量。NBS通過在家族誤差（family-wise error ，FWE）控制下的邊緣水平執(zhí)行單變量測試來判定在聚類水平的影響。首先，每條邊都被分配了一個(gè)t值，該t值是從不同組之間流線數(shù)量的差異獲得的。為每個(gè)成對(duì)關(guān)聯(lián)計(jì)算的檢驗(yàn)統(tǒng)計(jì)量在t=1.5處設(shè)置閾值，以選擇所有閾值以上的邊。然后，選擇閾值以上邊緣的最大分量來檢測最穩(wěn)健的組間邊緣。使用5000個(gè)排列執(zhí)行排列測試(隨機(jī)分組)來描述FWE控制下的p值，作為基于組類大小的邊緣簇。所有的分析都進(jìn)行了FDR較正。
發(fā)病年齡分析
為了研究起病年齡(被認(rèn)為是跨診斷疾病嚴(yán)重性的替代指標(biāo))是否與所有患者組中的網(wǎng)絡(luò)改變相關(guān)，我們?cè)俅问褂?span>NBS來測試起病年齡是否與患者樣本中的子網(wǎng)絡(luò)流線的數(shù)量相關(guān)，同時(shí)校正了年齡、性別和掃描站點(diǎn)。在事后分析中，我們測試了已確定的網(wǎng)絡(luò)中的診斷x發(fā)病年齡交互作用來檢測不同疾病組的發(fā)病年齡和流線數(shù)目之間可能存在的不同聯(lián)系。
基于機(jī)器學(xué)習(xí)的疾病組分類
我們想要知道的是，基于每個(gè)受試者的結(jié)構(gòu)流線加權(quán)連接體矩陣，是否可以通過機(jī)器學(xué)習(xí)方法將患者組與健康對(duì)照組以及彼此分開。為此，我們訓(xùn)練了單獨(dú)的兩組分類模型。我們首先執(zhí)行HC與組合患者組分類，然后采用一對(duì)一設(shè)計(jì)對(duì)所有單獨(dú)組進(jìn)行成對(duì)分類。為此，將連通性矩陣的上三角形(通過連接所有列)投射到作為分類流水線輸入的一列。作為分類算法，我們首先采用了一種基于核的方法--支持向量機(jī)，由于其即使在高維數(shù)據(jù)中也能很好地表現(xiàn)，因此被頻繁地用于神經(jīng)成像數(shù)據(jù)。另一類重要的基于決策樹集成的學(xué)習(xí)算法，隨機(jī)森林(RF)，已經(jīng)被證明在神經(jīng)成像中獲得了良好的分類性能，這就是為什么我們使用RF作為替代算法。請(qǐng)注意，選擇支持向量機(jī)或RF是我們的超參數(shù)優(yōu)化的一部分，結(jié)果只有一種算法包含在最佳性能模型中。
所有步驟都是在PHOTONAI中實(shí)現(xiàn)的，PHOTONAI是一種用于設(shè)計(jì)和優(yōu)化機(jī)器學(xué)習(xí)管道的高級(jí)PythonAPI。機(jī)器學(xué)習(xí)流程、超參數(shù)優(yōu)化和模型評(píng)估使用嵌套交叉驗(yàn)證方案進(jìn)行，以避免訓(xùn)練、驗(yàn)證和測試集之間的數(shù)據(jù)泄漏。使用最優(yōu)參數(shù)配置在完整的訓(xùn)練集上訓(xùn)練模型。該模型隨后被用來預(yù)測測試集中的組分配。平衡準(zhǔn)確度被作為模型性能指標(biāo)，它平衡了敏感性和特異性，以確保基線隨機(jī)值為50%來解決分類組中樣本數(shù)量的不平衡。平均準(zhǔn)確性基于10個(gè)測試集評(píng)估得到。關(guān)于我們的特征選擇、群體規(guī)模平衡措施、超參數(shù)優(yōu)化、模型評(píng)估和使用置換測試估計(jì)重要性的程序請(qǐng)見附件材料。
表1 人口統(tǒng)計(jì)學(xué)數(shù)據(jù)及全局圖論指標(biāo)
注：該表顯示了樣本的人口統(tǒng)計(jì)學(xué)、臨床和連接組特征。全局圖論指標(biāo)的P值均采用FDR多重比較校正。
HC=健康對(duì)照組，MDD=重度抑郁礙，BD=雙相情感障礙，SZ=精神分裂癥
圖1 全局圖論指標(biāo)的組間差異
在對(duì)年齡、性別和掃描地點(diǎn)進(jìn)行校正的單因素方差分析中，檢測到了組內(nèi)的主要效應(yīng)。*代表后驗(yàn)t檢驗(yàn)的統(tǒng)計(jì)學(xué)意義(p<0.05)。盒子圖顯示了各自的樣本中位數(shù)和四分位數(shù)之間的范圍。每組內(nèi)的平均值顯示為一個(gè)黑點(diǎn)。
HC=健康對(duì)照組，MDD=重度抑郁障礙，BD=雙相情感障礙，SZ=精神分裂癥
圖2 與HC相比，精神病患者邊緣的子網(wǎng)絡(luò)流線數(shù)量減少
該網(wǎng)絡(luò)來自于NBS (pFWE<0.05，超閾值t值t=1.5)測試健康對(duì)照組(HC)和診斷為嚴(yán)重抑郁障礙、雙相情感障礙和精神分裂癥的患者組之間的差異。該圖是使用BrainDataViewer創(chuàng)建的。
圖3.與發(fā)病年齡相關(guān)的邊緣的子網(wǎng)絡(luò)
發(fā)病年齡越早，患者組中特定子網(wǎng)絡(luò)的連接強(qiáng)度越低。子網(wǎng)絡(luò)來源于NBS (pFWE<0.05，超閾值t值t=1.5)。網(wǎng)絡(luò)圖像使用BrainNet軟件創(chuàng)建。
A：矢狀視圖。B：軸向視圖。C：散點(diǎn)圖，描繪了發(fā)病年齡和從顯著簇中提取的流線總數(shù)之間的關(guān)系。
討論
我們通過分析精神分裂癥(SZ，n=69)、雙相情感障礙(BD，n=112)或嚴(yán)重抑郁障礙(MDD，n=720)的患者，并將他們與健康對(duì)照組(HC，n=842)進(jìn)行比較，研究了精神障礙和情感性障礙之間結(jié)構(gòu)連接組變化的共同和特定模式。對(duì)大樣本多方法連接網(wǎng)絡(luò)分析揭示了三個(gè)主要發(fā)現(xiàn)：
1)結(jié)構(gòu)連接障礙的總體模式，可在所有診斷中檢測到，并能通過機(jī)器學(xué)習(xí)將精神病患者與健康對(duì)照組區(qū)分開來；
2)發(fā)病年齡與結(jié)構(gòu)連接之間的額外關(guān)聯(lián)，在那些起病較早的患者中，連接強(qiáng)度較低，這與診斷無關(guān)；
3)在總體連接異常模式之上和之外指向特定于診斷的連接組變化的患者組之間有顯著差異。
我們對(duì)全局圖論指標(biāo)的分析揭示了MDD、BP和SZ在效率、聚類、連接強(qiáng)度、流線數(shù)量以及邊緣上的組間效應(yīng)。結(jié)果的模式在所有指標(biāo)中都是一致的，比如通信效率按HC>MDD>BD>SZ的順序遞減（如圖1）。這些結(jié)果表明，全局網(wǎng)絡(luò)通信存在一連串的損害，其中在SZ中可以檢測到最嚴(yán)重的連接改變。量化網(wǎng)絡(luò)的整體通信容量的效率差異很可能是由于當(dāng)前邊的數(shù)量的差異，因?yàn)槲覀冊(cè)诜治鰵w一化效率時(shí)沒有發(fā)現(xiàn)組間的實(shí)質(zhì)性差異，這解釋了網(wǎng)絡(luò)邊數(shù)量的差異。為了進(jìn)一步識(shí)別這種全局模式下的邊緣子網(wǎng)絡(luò)，我們采用了基于網(wǎng)絡(luò)統(tǒng)計(jì)(NBS)。NBS發(fā)現(xiàn)了一個(gè)廣泛的網(wǎng)絡(luò)，其特征是患者的連接強(qiáng)度降低。在所有診斷組中都觀察到了這種效果。因此，連接性強(qiáng)度的降低可能反映了所有精神病和情感障礙的共享的跨診斷標(biāo)記物，并可能反映了MDD、BD和SZ的連接性障礙的共同核心。對(duì)這些區(qū)域的進(jìn)一步調(diào)查和它們與精神病理學(xué)的關(guān)聯(lián)可以支持跨診斷邊界的疾病維度的概念。
根據(jù)目前的文獻(xiàn)，這些結(jié)果增加了對(duì)精神障礙中連接組改變的理解：雖然到目前為止有幾項(xiàng)研究集中在與HC相比的單一障礙上，但我們現(xiàn)在顯示了這些障礙結(jié)構(gòu)連接性受損的共同核心。雖然在某些情況下有必要研究特定的解剖、結(jié)節(jié)參數(shù)，但我們的結(jié)果表明，與導(dǎo)致精神病理學(xué)的特定、局部解剖改變的概念相比，損害模式影響到所有主要大腦區(qū)域，因此指向網(wǎng)絡(luò)通信的真正損害。然而，雖然我們的大多數(shù)結(jié)果強(qiáng)調(diào)了改變的跨診斷性質(zhì)，但結(jié)果與之前的研究一致，這些研究表明精神分裂癥的損害程度最明顯。
總而言之，這些結(jié)果指出了結(jié)構(gòu)連接組內(nèi)連接障礙的總體模式，這種模式在障礙中是共有的，可能反映了網(wǎng)絡(luò)交流的障礙。同樣，代表結(jié)構(gòu)連接組的連接矩陣形成了基礎(chǔ)，在此基礎(chǔ)上，我們能夠通過機(jī)器學(xué)習(xí)將所有患者組與健康對(duì)照組區(qū)分開來，在HC與SZ的對(duì)比中具有最高的準(zhǔn)確性，與全局指標(biāo)結(jié)果一致。雖然我們的機(jī)器學(xué)習(xí)模型中的顯著性檢驗(yàn)顯示，與對(duì)照預(yù)測相比，所有患者的分類準(zhǔn)確率都很明顯(p<0.05)，但應(yīng)該注意的是，準(zhǔn)確率的值并不高(最高值為60.2%)。這意味著在這一點(diǎn)上，基于機(jī)器學(xué)習(xí)的分類還不適合臨床實(shí)施。然而，精確值與大樣本量的機(jī)器學(xué)習(xí)精確度是一致的。未來的研究應(yīng)該測試在結(jié)構(gòu)連接中檢測到的模式是否對(duì)預(yù)測疾病軌跡和功能結(jié)果有意義。
除了這種共有的連接障礙模式外，我們還發(fā)現(xiàn)了另一個(gè)跨診斷網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中，起病較早的患者表現(xiàn)出最嚴(yán)重的連接障礙。較早發(fā)病的患者是精神障礙中已知的一個(gè)更嚴(yán)重的疾病軌跡的風(fēng)險(xiǎn)因素。有趣的是，與發(fā)病年齡相關(guān)的子網(wǎng)絡(luò)與SZ、BD或MDD各自的疾病網(wǎng)絡(luò)沒有明顯重疊，這表明連接體連接障礙特征與診斷的特定效果無關(guān)。未來的縱向研究應(yīng)該集中在尚未解決的問題上，即連接體改變是如何以及何時(shí)在大腦中表現(xiàn)出與疾病發(fā)病相關(guān)的。
除了這些跨診斷發(fā)現(xiàn)，我們的分析還揭示了潛在的診斷特異性連接體改變，在全局水平的患者組比較中可以檢測到，特別是在使用NBS的子網(wǎng)絡(luò)分析中。這些分析揭示了不同診斷組之間某些白質(zhì)束的不同損害。然而，機(jī)器學(xué)習(xí)模型不能根據(jù)患者組數(shù)據(jù)預(yù)測診斷(例如，MDD與SZ)。這指向了特定于障礙的網(wǎng)絡(luò)特征的較低預(yù)測價(jià)值。未來的研究應(yīng)該研究NBS分析確定的特定子網(wǎng)絡(luò)中的連通性差異是否有助于疾病組的機(jī)器學(xué)習(xí)預(yù)測。
必須承認(rèn)有幾個(gè)限制。這項(xiàng)研究是橫向的，因此不能解決縱向研究可以解決的問題：首先，探索性結(jié)果沒有指出結(jié)構(gòu)連接體與共病或藥物負(fù)荷之間有很強(qiáng)的相關(guān)性。然而，由于該數(shù)據(jù)集的橫向性質(zhì)，我們不能將診斷效果從治療或疾病軌跡相關(guān)的影響中分離出來，這需要通過未來的縱向隊(duì)列研究來解決，這些研究理想地包括具有廣泛和詳細(xì)的臨床隨訪期的未服用藥物的患者組。特別是我們的機(jī)器分學(xué)習(xí)方法，其中我們沒有糾正所有這些混雜因素，結(jié)果容易受到藥物或并發(fā)癥的影響而產(chǎn)生偏差。因此，我們決定使用推斷統(tǒng)計(jì)學(xué)來全面評(píng)估這些混雜因素的影響，并通過承認(rèn)我們的推理統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)方法的互補(bǔ)性來完善結(jié)果。
總結(jié)
本文展示了SZ、BD和MDD中共有和特定的連接模式，從而導(dǎo)致這些情況下普遍存在的網(wǎng)絡(luò)通信效率降低。這些發(fā)現(xiàn)表明，結(jié)構(gòu)連接障礙的模式不僅在精神分裂癥中，在情感障礙中也是如此，因此進(jìn)一步質(zhì)疑這些障礙是否是真正不同的神經(jīng)生物學(xué)實(shí)體。然而，它們也打開了進(jìn)一步闡明可能偏離共同連接障礙模式的機(jī)會(huì)，從而確定未來不同精神表型和癥狀特征的微妙神經(jīng)生物學(xué)基礎(chǔ)。
如需原文及補(bǔ)充材料請(qǐng)?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對(duì)思影課程及服務(wù)感興趣也可加此微信號(hào)咨詢。另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號(hào)入群，原文也會(huì)在群里發(fā)布，如果我們的解讀對(duì)您的研究有幫助，請(qǐng)給個(gè)轉(zhuǎn)發(fā)支持以及右下角點(diǎn)擊一下在看，是對(duì)思影科技的支持，感謝！
微信掃碼或者長按選擇識(shí)別關(guān)注思影
非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請(qǐng)直接點(diǎn)擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號(hào)siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報(bào)名，報(bào)名后我們會(huì)第一時(shí)間聯(lián)系，并保留已報(bào)名學(xué)員名額）：
核磁：北京：
第六十八屆磁共振腦影像基礎(chǔ)班（北京，9.21-26）
第十屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（北京，10.20-25）
第十一屆磁共振ASL（動(dòng)脈自旋標(biāo)記）數(shù)據(jù)處理班（北京，11.3-6）
南京：
第五屆彌散磁共振成像提高班（南京，9.22-27）
第三十三屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（南京，10.16-21）
第二十二屆磁共振腦影像結(jié)構(gòu)班（南京，10.24-29）
上海：
第二十一屆磁共振腦影像結(jié)構(gòu)班（上海，9.19-24)
第二十四屆腦影像機(jī)器學(xué)習(xí)班（上海，10.9-14）
第三十一屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（上海，10.28-11.2）
第六十九屆磁共振腦影像基礎(chǔ)班（上海，11.4-9）
重慶：
第九屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（重慶，10.13-18）
第七十屆磁共振腦影像基礎(chǔ)班（重慶，10.22-27）
第二十八屆彌散成像數(shù)據(jù)處理班（重慶，11.5-10）
腦電及紅外、眼動(dòng)：北京：
第三十九屆腦電數(shù)據(jù)處理中級(jí)班（北京，10.11-16）
更新：第十三屆眼動(dòng)數(shù)據(jù)處理班（北京，10.26-31）
上海：
第二十五屆近紅外腦功能數(shù)據(jù)處理班（上海，10.17-22）
第三十六屆腦電數(shù)據(jù)處理中級(jí)班（上海，11.13-18）
南京：
第五屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（Matlab版本，南京，11.3-8）
重慶：
第四屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（Matlab版本，重慶，9.24-29）
第二十七屆腦電數(shù)據(jù)處理入門班（重慶，10.28-11.2）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI/dMRI）數(shù)據(jù)處理
思影科技腦結(jié)構(gòu)磁共振成像數(shù)據(jù)處理業(yè)務(wù)（T1)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動(dòng)物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長類動(dòng)物fMRI分析業(yè)務(wù)
思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
思影科技眼動(dòng)數(shù)據(jù)處理服務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
