情绪障碍治疗中药物分类和非响应患者的多尺度神经影像特征
内容提要
该综述回顾机器学习和多模态MRI在神经精神与神经退行性疾病（如阿尔茨海默病、精神分裂症、抑郁症）中的应用，通过识别疾病亚型揭示脑表型差异，并提出“维度性神经影像内部表型”新范式，将神经生物多样性解析为低维量化脑表型，作为反映遗传与病因的稳健中介表型，并探讨其临床意义与未来方向。
延伸解读
多尺度分析在神经影像中的价值
文章指出，跨全局脑网络和局部ROI的多尺度分析能捕捉更全面的脑活动特征。例如，在MCI分类中，全局图分析结合局部动态演变，揭示了MCI组PCC活动减少和枕叶活动增加等细节。这种双尺度方法有助于理解神经退行性疾病的细微变化，为早期诊断提供更丰富的影像标志。
机器学习分类性能与泛化能力
综述中多项研究展示了机器学习的高分类准确率，如MFMC方法对MDD区分准确率达96.9%，且在多中心数据上泛化良好。多模态融合模型在双相障碍诊断中平衡准确度从0.657提升至0.732。这些结果说明，结合多特征和多分类器的策略能有效提升精神障碍的诊断效能，并具备跨站点应用的潜力。
维度性神经影像内部表型的新范式
文章提出“维度性神经影像内部表型”范式，将神经生物多样性解析为低维、量化的脑表型表示。这种内部表型作为反映遗传和病因的中介，有助于识别疾病亚型及其脑表型差异。该范式为理解神经精神疾病的异质性提供了新视角，并可能推动精准医学的发展。
临床转化面临的挑战与方向
尽管机器学习在神经影像分类中表现良好，但文章也指出，基于顶点特征和非线性分类器的MDD分类并不可行，提示特征选择与分类器组合的重要性。未来研究需关注更具代表性的跨诊断数据集和精细化临床特征，以提升模型的泛化性和临床实用性。
Q&A
多模态MRI在精神疾病诊断中有什么优势？
多模态MRI结合结构磁共振成像和功能磁共振成像数据，能提升诊断准确度。例如，在双相情感障碍诊断中，平衡准确度从0.657提升至0.732，达到最先进水平。
什么是维度性神经影像内部表型？
维度性神经影像内部表型是一种新兴范式，通过将神经精神和神经退行性疾病的神经生物多样性解剖为一个低维度但信息丰富、量化的脑表型表示，作为反映潜在遗传学和病因学的鲁棒性中介表型。
机器学习在抑郁症诊断中的准确率如何？
使用多种特征和多种分类器的机器学习方法（MFMC）在REST-meta-MDD数据集上对2428名受测者进行测试，MDD区分准确率达到96.9%，明显改善了现有方法，且泛化能力良好。
MCI患者与健康对照在静息态fMRI上有何差异？
MCI组中ROI（如PCC）活动减少，枕叶活动增加，且在动态分析中所有ROI显示出更大的时间序列可预测性。
如何利用深度学习早期诊断阿尔茨海默病？
利用多模态和多尺度深度神经网络框架，能更好地表征人脑变化，在3年内预测致残的受试者的准确度为85.68%。
精神分裂症和双相障碍的分类诊断有哪些新方法？
基于多维嵌入感知的模态融合变压器（MFFormer）使用静息态功能磁共振成像和T1加权结构磁共振成像，在精神分裂症和双相障碍诊断上表现优于单一或多模态MRI。
