當前位置: 首頁>頭條

跨物種機器學習提升精神疾病的磁共振影像診斷準確率

發布時間:2020-06-16

  617,《American Journal of Psychiatry》期刊在線發表了題為《Diagnostic Classification for Human Autism and Obsessive-Compulsive Disorder based on Machine Learning from a Primate Genetic Model》的研究論文。該研究由中國科學院腦科學與智能技術卓越創新中心(神經科學研究所)、上海腦科學與類腦研究中心、神經科學國家重點實驗室王征研究組與中國科學院自動化研究所赫然課題組合作完成。該研究整合靈長類動物模型和臨床精神疾病患者的功能磁共振影像數據,國際上首次設計猴-人跨物種的機器學習分析流程,利用從轉基因獼猴模型上學習的特征構建臨床精神疾病患者的分類器模型,進而深入解析人類自閉癥和強迫癥的神經環路機制。此研究為精神疾病的影像學精準診斷提供了新證據,開辟了利用非人靈長類模型服務精神疾病的臨床應用需求的新途徑。 

  自閉癥(ASD)是一種神經系統失調的發育性疾病,具有高度的異質性,同時自閉癥患者常伴隨強迫癥(OCD)、注意力缺陷多動癥(ADHD)等并發癥,這給臨床診斷和病理機制研究帶來巨大的挑戰。非人靈長類模式動物與人類在腦結構與功能上較為接近,研究人員前期發現轉基因靈長類動物模型能夠表現出與人類臨床患者類似的癥狀表型,如MECP2過表達的獼猴表現出重復刻板行為、社交行為障礙等類自閉癥癥狀(Nature, 2016),且在大腦環路上的異常也與部分自閉癥患者相似(J Neurosci2020)。 

  研究團隊在這些前期工作基礎上(IEEE TMI, 2015),勇于原始創新,探索靈長類物種間可能的進化保守的特征,大膽假設以保守的腦區功能為基礎,構建可跨物種遷移的精神疾病分類預測模型(圖A)。研究人員首先運用Group LASSO算法對源自5只轉基因獼猴和11只野生型獼猴的腦功能圖譜數據進行腦區篩選,識別出9個核心腦區(圖B);接著將此9個腦區一一映射到人類大腦上,并用腦區間的功能連接形成特征集合,構建稀疏邏輯回歸分類器分別用于自閉癥、強迫癥和注意力缺陷多動癥患者的診斷分類。患者數據分別來自4個臨床影像數據庫:ABIDE-I (1112)ABIDE-II1114人),OCD186人)和ADHD-200776人)。經過交叉驗證后,發現基于轉基因獼猴特征構建的分類模型對ABIDE-I數據集中自閉癥患者和正常人的區分準確率達到82.14%,對ABIDE-II數據庫中人類被試同樣達到75.17%的準確率,顯著高于基于自閉癥和強迫癥病人自身特征構建分類器的性能(圖C)。當將同樣的9個腦區拓展到強迫癥影像數據時,發現獼猴特征構建分類模型仍然能達到78.36%的準確率,顯著高于基于自閉癥患者特征構建的分類器性能。但這些基于獼猴模型學習的特征未能顯著性地提升ADHD患者的分類準確率。研究人員進一步分析這些性能優越的分類器中的功能連接與精神疾病臨床癥狀之間的關系,結果發現右側腹外側前額葉皮層在自閉癥和強迫癥中同時扮演著雙重角色,分別對應于各自特異的維度癥狀表型(圖D)。 

  此項工作由王征研究員和赫然研究員共同指導博士研究生詹亞峰和衛建澤合作完成,期間得到了英國劍橋大學Trevor Robbins教授,復旦大學附屬兒科醫院徐秀主任的鼎力合作支持,同時也得到了中科院自動化所譚鐵牛院士的指導幫助,及中科院昆明動物所的大力支持。本工作受到科技部,國家自然科學基金,中國科學院,上海市和廣東省的資助。 

  圖注:(A)腦功能連接圖譜的特征構建猴-人跨物種機器學習分類器;(B)在獼猴模型中學習得到的9個腦區;(C)基于9個腦區構建的跨物種機器學習分類器與基于人ASD數據構建的分類器對ASDOCDADHD的分類性能ROC曲線;(DASDOCD共享的神經環路內表型以及與疾病特異的臨床癥狀相關的異常。 

附件下載: 
    彩神网