研究發現跨物種機器學習可提升精神疾病磁共振影像診斷準確性
6月17日，American Journal of Psychiatry期刊在線發表題為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研究員王征研究組與中科院自動化研究所研究員赫然課題組合作完成，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徵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症和強迫症的神經環路機制，為精神疾病的影像學精準診斷提供了新證據，發現了利用非人靈長類模型服務精神疾病臨床應用需求的新途徑。
自閉症（ASD）是一種神經系統失調的發育性疾病，具有高度的異質性，患者常伴隨強迫症（OCD）、注意力缺陷多動症（ADHD）等併發症，給臨床診斷和病理機制研究帶來巨大挑戰。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複刻板行為、社交行為障礙等類自閉症癥狀（Nature，2016），且在大腦環路上的異常也與部分自閉症患者相似（J Neurosci，2020）。
研究團隊在以上前期工作基礎上（IEEE TMI， 2015），探索靈長類物種間可能的進化保守特徵，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）。該研究運用Group LASSO演算法對源自5隻轉基因獼猴和11隻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）；將9個腦區一一映射到人類大腦，並用腦區間的功能連接形成特徵集合，構建稀疏邏輯回歸分類器，分別用於自閉症、強迫症和注意力缺陷多動症患者的診斷分類。患者數據分別來自ABIDE-I (1112人)、ABIDE-II（1114人）、OCD（186人）和ADHD-200（776人）等4個臨床影像資料庫。經交叉驗證，該研究發現，基於轉基因獼猴特徵構建的分類模型對ABIDE-I數據集中自閉症患者和正常人的區分準確率達到82.14%，對ABIDE-II資料庫中人類被試達到75.17%的準確率，顯著高於基於自閉症和強迫症病人自身特徵構建分類器的性能（圖C）。當將同樣的9個腦區拓展到強迫症影像數據時，研究發現，獼猴特徵構建分類模型仍然能達到78.36%的準確率，顯著高於基於自閉症患者特徵構建的分類器性能。但這些基於獼猴模型學習的特徵未能顯著性地提升ADHD患者的分類準確率。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係，研究發現，右側腹外側前額葉皮層在自閉症和強迫症中同時扮演著雙重角色，分別對應於各自特異的維度癥狀表型（圖D）。
該研究由王征、赫然共同指導博士研究生詹亞峰、衛建澤等合作完成，得到英國劍橋大學、復旦大學附屬兒科醫院、中科院昆明動物研究所等支持和科技部、國家自然科學基金委、中科院、上海市、廣東省等資助。
A：腦功能連接圖譜的特徵構建猴-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：基於9個腦區構建的跨物種機器學習分類器與基於人ASD數據構建的分類器對ASD、OCD和ADHD的分類性能ROC曲線；D：ASD和OCD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。
來源：中國科學院腦科學與智能技術卓越創新中心
