基于影像组学策略的精神分裂症脑标记物及预后预测的fMRI研究

Schizophrenia (SZ) is a severe psychiatric disorder that has a profound effect on human health. Clinical practice requests guidance of some objective, quantitative and specific biomarker reflecting its neurobiological substrates for diagnosis and treatment selection. Functional magnetic resonance imaging (fMRI) studies including our previous findings have accumulated increasing evidence for the neural mechanism of SZ, but the research and development of biomarkers for SZ has lagged behind. To this end, radiomics is an alternative and promising approach. However, whether utilizing radiomics strategy to identify and optimize the structural and functional biomarkers for identifying SZ and predicting prognosis remains unclear. Most recently, based on radiomics strategy, our study showed accurate disease definition for SZ by functional connectivity in both training and testing data sets, which could be considered as biomarker for SZ diagnosis. On the basis of these works, our current project aims to concentrate on brain markers and prediction for prognosis of SZ, observe treatment response in patients during follow-up, explore fMRI-based specific biomarkers reflecting its neurobiological underpinnings and delve into the predictive biological indicators of the brain for treatment response and functional outcome in SZ patients using radiomics strategy and techniques. This project will provide evidence for clinical decision making, holding important scientific significance and potential clinical value.

精神分裂症（SZ）严重危害人类健康，其临床诊断与治疗选择亟需能够反映其神经生物学基础的客观的、可量化、特异性生物标记物的指导。包括申请人前期发现在内的大量功能磁共振成像（fMRI）研究为揭示SZ的神经机制提供了充足证据，然而其生物标记物的研发明显滞后。影像组学的发展为解决这一难题带来希望。但是，运用影像组学策略能否发现并优化用于SZ识别及预后预测的脑结构与功能标记物尚不清楚。申请人最新的研究发现，基于影像组学策略，无论训练集还是验证集，脑功能连接特征均可准确地识别SZ患者，或可作为SZ诊断的脑标记物。在此基础上，本项目拟围绕SZ脑标记物及其预测预后潜能，跟踪随访患者对治疗的反应，运用影像组学研究策略与技术，重点探索基于fMRI的反映其神经生物学基础的特异性生物标记物，深入挖掘SZ患者治疗反应及功能结局的预测性脑生物学指标，有望为临床决策提供依据，具有重要的科学意义和潜在的临床价值。

精神分裂症的临床诊断与治疗选择亟需能够反映其神经生物学基础的客观的、可量化、特异性生物标记物的指导，影像组学的发展为解决这一难题带来希望。本项目发现疾病识别与疗效预测的潜在脑磁共振成（MRI）标记物8组，构建影像组学分类模型4个，疾病识别准确性最高88%，疗效预测准确性最高93%。主要包括：1）结构连接rich club组织水平降低是精神分裂症早期稳定的、内在的脑部特征，运用该特征的机器学习模型能够有效识别患者（Schizophr Bull, 2019）；2）通过结构脑连接组预测脑龄，首发患者的脑龄大于实际年龄，脑龄预测有望作为精神分裂症大脑老化的生物标记物（Br J Psychiatry, 2021）；3）左侧岛叶、额下回、梭状回、楔叶及右侧颞上回的皮层解剖学特征既有组间差异、又有区分精神分裂症患者和健康人群的能力（Biomarker Neuropsychiatry, 2020）；4）基于脑灰质结构特征的影像组学可以预测精神分裂症患者抗精神病药联合电抽搐治疗的反应（Front Psychiatry, 2020）；5）基于丘脑多维特征的影像组学方法能够用于精神分裂症的疾病识别和早期治疗反应的预测（Front Neurosci, 2021）；6）基于白质与灰质结构的多参数MRI，影像组学特征可以预测患者对抗精神病药物联合电抽搐治疗治疗的反应（Schizophr Res, 2020）；7）使用基线结构特征、功能特征和整合特征建立影像组学预测模型，成功预测了影像组学特征在精神分裂症的早期治疗反应（Eur J Neurosci, 2021）；8）左侧中央后回/顶下小叶的基线局部脑活动指标——低频振幅可有效预测患者早期治疗反应（Brain Behav, 2019）。综上，本项目在前期研究基础上，跟踪随访患者对治疗的反应，运用影像组学研究策略与技术，探索基于fMRI的反映其神经生物学基础的特异性生物标记物，将为临床决策提供依据。