研究进展
当前位置:首页 > 研究进展
跨物种机器学习提升精神疾病的磁共振影像诊断准确率
发布日期:2020-06-16    浏览次数:96
617,《American Journal of Psychiatry》期刊在线发表了题为《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王征研究组与中国科学院自动化研究所赫然课题组合作完成。该研究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。此研究为精神疾病的影像学精准诊断提供了新证据,开辟了利用非人灵长类模型服务精神疾病的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,同时自闭症患者常伴随强迫症(OCD)、注意力缺陷多动症(ADHD)等并发症,这给临床诊断和病理机制研究带来巨大的挑战。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 Neurosci2020)。 

研究团队在这些前期工作基础上(IEEE TMI, 2015),勇于原始创新,探索灵长类物种间可能的进化保守的特征,大胆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)。研究人员首先运用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);接着将此9个脑区一一映射到人类大脑上,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4个临床影像数据库:ABIDE-I (1112)ABIDE-II1114人),OCD186人)和ADHD-200776人)。经过交叉验证后,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数据库中人类被试同样达到75.17%的准确率,显著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,发现猕猴特征构建分类模型仍然能达到78.36%的准确率,显著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著性地提升ADHD患者的分类准确率。研究人员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,结果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)。 

此项工作由王征研究员和赫然研究员共同指导博士研究生詹亚峰和卫建泽合作完成,期间得到了英国剑桥大学Trevor Robbins教授,复旦大学附属儿科医院徐秀主任的鼎力合作支持,同时也得到了中科院自动化所谭铁牛院士的指导帮助,及中科院昆明动物所的大力支持。本工作受到科技部,国家自然科学基金,中国科学院,上海市和广东省的资助。 

图注:(A)脑功能连接图谱的特征构建猴-人跨物种机器学习分类器;(B)在猕猴模型中学习得到的9个脑区;(C)基于9个脑区构建的跨物种机器学习分类器与基于人ASD数据构建的分类器对ASDOCDADHD的分类性能ROC曲线;(DASDOCD共享的神经环路内表型以及与疾病特异的临床症状相关的异常。