精神分裂症生物学亚型疗效和转归的前瞻性多模态脑影像学研究

Schizophrenia is a common and severe mental disorder. With unclear etiology and pathogenesis, it has high clinical heterogeneity. It is a current hotspot to parse the heterogeneity of schizophrenia, define the biomarker for the disorder based on the individual analysis, and explore the etiology and prognosis mechanisms of schizophrenia. Biological subtypes (biotypes) bridge diagnoses and biomarkers, which could explore the subtypes of the disorder through subgroup analysis at the individual level. The current project is based on the neuroimaging research cohort, a large sample size of first-episode drug-naïve patients with schizophrenia, which has been established in our earlier stage work. With data-driven approach, this project will apply the cutting-edge machine learning algorithms to multimodal neuroimaging data, to determine the biological subtypes of schizophrenia, to establish the machine learning models and predict the therapeutic effect and prognosis of each biological subtype, to explore the brain imaging patterns and biomarkers for the disorder and its etiology and prognosis. Meanwhile, the current project will recruit the independent patients with first-episode schizophrenia, and visit the patients regularly at the short-term (six weeks) and middle-term (one year) of the prospective follow-up, to validate the biological subtypes and the prediction models for their therapeutic effect and prognosis. This project will provide reliable and valid proof for the etiology and prognosis of schizophrenia. This project also will demonstrate the powerful evidence for early diagnosis, treatment and evaluation, to guide the clinical practice and make the research from bench to bed.

精神分裂症是精神科常见的重性精神障碍，其病因和发病机制不清，异质性高。如何解析精神疾病的异质性，寻找基于个体水平分析的疾病生物学标记，探索疾病病因及转归机制，是当前该领域研究的热点之一。通过患者在个体水平的亚组分析挖掘有生物学意义的疾病生物学亚型，可以作为连接诊断和生物学标记的桥梁。本项目依托于课题组前期已经建立的大样本首发未服药精神分裂症脑影像研究队列，以数据驱动为导向，应用机器学习分析多模态脑影像数据，发现精神分裂症生物学亚型，建立机器学习模型并预测不同亚型临床疗效及转归，寻找与疾病病因及疗效转归相关的脑影像学模式和生物学标记。同时，本项目拟纳入独立首发精神分裂症患者并进行前瞻性短期（6周）和中期（1年）随访，进一步验证精神分裂症的脑影像学生物学亚型，以及对临床疗效与转归的预测，为精神分裂症的病因及转归机制提供科学线索，为疾病早期诊疗预后评估提供有力证据，指导临床实践，实现临床转化。

精神分裂症是精神科常见的重性精神障碍，其病因和发病机制不清，异质性高。针对精神疾病的异质性，以生物学亚型为着手点，通过患者在个体水平的亚组分析挖掘有生物学意义的疾病生物学亚型，可以作为连接诊断治疗和生物学标记的桥梁。研究一：基于静息态后扣带功能连接，应用机器学习技术梯度提升决策树，建立精神分裂症早期判别模型，判别准确率较高72.28%，并在独立样本得到验证，该研究也发现后扣带与其他默认网络脑区功能连接减弱，提示精神分裂症神经病理学的潜在的特征性生物学标记。研究二：基于大脑三网络模型（默认网络、中央执行网络和突显网络），应用无监督机器学习谱聚类、主成分分析、t-SNE算法，确定精神分裂的生物学亚型，并在独立样本进一步验证，随访研究发现，以突显网络连接减弱为主的亚型，临床症状较重，持续注意功能受损较明显，预后较差；以三网络模型连接增加为主的亚型，认知灵活性受损较明显，预后相对较好。研究三：基于前扣带亚区功能连接异常，发现精神分裂症疾病特异性改变-膝周前扣带与双侧眶额叶连接异常，可能是精神分裂症潜在的神经生物学标记，为物理治疗提供潜在有效的刺激靶点。同时，基于生物学亚型分析思路和建模策略，我们应用机器学习及数据分析技术，初步探索抑郁障碍基于脑影像学潜在的亚组模型，应用效果较好。该项目为精神分裂症的病因及转归机制提供科学线索，为疾病早期诊疗预后评估提供有力证据，或可指导临床实践。