Mol. Psychiatry：使用大脑结构神经影像测量来预测临床高危个体的精神病发作

临床高危（clinical high risk， CHR）范式被广泛使用，其目的是改善精神障碍的早期发现和预防。CHR状态也与脑结构代理测量的改变有关。使用结构磁共振成像 （sMRI） 的机器学习方法可以为疾病分类提供信息，虽然它们预测精神病的能力在很大程度上是未知的。

青少年发育是一个关键的时间窗口，与全脑变化有关，包括皮质厚度和体积的减少。 在青春期，灰质体积、皮质表面积和皮质厚度等皮质特征下降约10%。越来越多的研究试图使用（横断面）SMRI数据来预测结局或病例对照状态。这些先前的研究表明，机器学习方法有助于区分精神分裂症患者和HC患者。

方法上，作者使用ComBat结合了来自ENIGMA CHR工作组协调的21个站点的数据，将广义加性模型（GAMs）拟合到HC数据中，然后应用拟合的GAMs来获得整个样本的非线性年龄和性别校正特征创建了一个模型，其中 CHR 的个体后来从健康对照 （HC） 中发展为精神病 （CHR-PS+），可以相互区分。此外，评估了我们是否可以将CHR-PS+个体与后来没有发展为精神病的个体（CHR-PS-）和随访状态不确定的个体（CHR-UNK）区分开来。

图1：用于处理和分析的图表。

还使用了 ComBat 来协调皮质下体积、皮质厚度和表面积数据的测量值，并使用通用加法模型校正年龄和性别的非线性效应。

来自 20 个站点的 CHR-PS+ （n = 120） 和 HC （n = 799） 数据用作训练数据集，我们用它来构建分类器。其余样本使用外部验证数据集来评估分类器性能（测试、独立验证和独立组 [CHR-PS- 和 CHR-UNK] 数据集）。

CHR 对 1165 名个体的 T1 加权结构性脑部 MRI 扫描 （CHR-PS+， n = 144;CHR-PS-，n = 793;和 CHR-UNK，n = 228）和 1029 个 HC，来自 21 个位点。

图2：健康对照组表面积的非线性年龄关联。

分类器在训练数据集和独立验证数据集上的准确率分别为 85% 和 73%。

区域皮质表面积测量（包括来自右侧额上皮质、右侧颞上皮质和双侧岛叶皮质的测量值）强烈有助于将 CHR-PS+ 与 HC 进行分类。与 CHR-PS+ 相比，CHR-PS- 和 CHR-UNK 个体更有可能被归类为 HC（HC 分类率：CHR-PS+，30%;CHR-PS-，73%;CHR-UNK，80%）。

图 3：XGBoost 分类器的表面积特征贡献和预测性能比较。

总的来说，本文结果表明，在考虑青少年大脑发育时，CHR 个体的基线 MRI 扫描可能有助于确定他们的预后。未来需要前瞻性研究，以确定分类器是否真的有助于临床环境。

原始出处：

Zhu, Y., Maikusa, N., Radua, J. et al. Using brain structural neuroimaging measures to predict psychosis onset for individuals at clinical high-risk. Mol Psychiatry (2024). https://doi.org/10.1038/s41380-024-02426-7