通过无监督机器学习揭示精神病理维度的潜在疾病因子的定量表达与治疗反应研究

研究背景

精神病学诊断中的异质性和共病性普遍存在，这对于精确诊断和个体化治疗构成了难题。例如，自闭症谱系障碍（ASD）、注意缺陷/多动障碍（ADHD）和强迫症（OCD）等疾病在症状诊断上常有交集，其共现症状可能由共享和/或不同的神经机制介导，但在个体水平上难以划分归属。高级贝叶斯模型和无监督机器学习技术的应用，为精神病理维度与疾病因子之间的关系提供了一种定量化和个体化的分析方法。

论文信息

• 作者：赵少玲、吕倩、张戈、张江涛、王合秋、张建民、王美云、王政
• 所属机构：中国科学院神经科学研究所、北京大学心理学系、河南省人民医院医学影像科、浙江省同德医院（浙江省精神卫生中心）
• 发表时间及地点：2024年1月2日接受，发表于《Neuroscience Bulletin》
• 研究类型：原创性研究

研究流程详述

a) 研究流程

研究设计分为几个阶段。首先，通过无监督学习和层级贝叶斯框架，研究者从ASD和ADHD混合队列中提取了潜在疾病因子。进一步使用典型相关性分析方法，探讨个体表现维度和潜在因子之间的关系。该模型基于相同因素，扩展到未见过的个体的外部验证，包括亚临床人群和地方OCD数据库。

b) 研究结果

研究鉴定出四个主要的潜在疾病因子，与不同的症状领域存在显著相关性。这些因子在个体中变异表达，并且可以显著预测个体的症状评分和治疗反应。预测因子的表达度与OCD病人的症状改善程度相关联。

c) 结论与意义

研究表明，基于数据推导的潜在疾病因子可以定量个体的因子表达，用于跨队列的维度症状和治疗结果的信息化，有助于促进精神病的定量诊断和个体化干预。

d) 研究亮点

• 方法新颖：采用了高级贝叶斯模型和无监督机器学习技术对脑功能连接数据进行分析。
• 因子多维：研究不仅揭示了个体间潜在疾病因子的变异表现，并通过外部数据集验证了这些因子的普适性和预测价值。
• 临床价值：结果可以确切地指示OCD病人的治疗反应，临床上对治疗效果的评估具有重要意义。

结语

本研究通过应用高级机器学习技术，为精神障碍的维度诊断和临床干预提供了全新的定量化解读方式，对未来的精神病学精准诊疗研究具有重要的引导和启示作用。