基于动态脑功能网络分析发掘精神病的影像标志

Schizophrenia, schizoaffective disorder, and psychotic bipolar disorder as classical psychosis diseases share some common symptoms, so it is very difficult to distinguish them in clinical diagnosis. Brain functional network analysis can explore functional connectivity abnormality in psychosis, which benefits disease diagnosis and precision medicine. Different from traditional static brain functional network analysis, recently proposed dynamic brain functional network analysis first calculates time-varying functional connectivities among brain regions, then extracts multiple inherent functional connectivity states and their fluctuations, aiming to identify disease biomarkers from an angle of dynamic connectivity. In this project, we will propose a new decomposition-based method based on my previously proposed method to analyze dynamic brain functional network by simultaneously considering subject-specific and subject-common space in order to optimize individual-subject’s connectivity states. Using our new method, the project will analyze dynamic functional network estimated from functional magnetic resonance imaging (fMRI) data of healthy controls, patients with psychotic bipolar disorder, patients with schizoaffective disorder and patients with schizophrenia. Then, the research will combine statistical analysis and multiple support vector machine recursive feature elimination to extract sparse features and identify biomarkers. In addition, the work will explore the relationship among those disorders using clustering and projection methods. Finally, the study will classify additional individual subjects using pattern recognition methods. In summary, this project aims to identify subtle differences in psychosis using dynamic functional connectivity analysis for distinguishing these mental disorders.

精神分裂症、分裂情感性障碍、带分裂性症状的双相情感障碍这几种精神病的临床症状相似，在诊断上难度极大。脑功能网络分析可发掘精神病在脑功能连接上的变异，有利于辅助疾病诊断和精准医疗。不同于传统的稳态脑功能网络分析，新兴起的动态脑功能网络分析先计算脑区间随时间变化的连接模式，然后从中提取多个功能连接状态及其时间波动，可从动态功能连接角度探索影像标志。本课题将基于申请人已提出的动态脑功能网络分析方法，改进分解方法同时考虑个体被试的特异空间和多被试的共有空间，优化估计个体被试的功能连接状态；基于正常被试和上述疾病患者的功能磁共振影像分析动态脑功能网络；结合统计分析、多支持向量机递归特征消去等方法从动态脑功能网络的测度中探索疾病的影像标志；采用聚类、投影方法探索这几种疾病之间的关系；利用模式识别技术实现个体被试的分类。本项目将利用动态脑功能网络探索这几种精神病的脑功能差异以达到区分它们的目的。

精神分裂症、分裂情感性障碍、带分裂性症状的双相情感障碍这几种精神病的临床症状相似，诊断难度极大。脑功能网络分析可发掘精神病在脑功能连接上的变异，有利于辅助疾病诊断和精准医疗。本项目主要研究内容包括：采用动态脑功能网络分析方法，对这几种疾病病人和正常被试的功能磁共振数据进行分析，提取个体被试的功能连接状态，采用支持向量机递归特征消去方法进行特征提取，使用支持向量机对样本进行分类，评估了分类准确率和这些相似疾病之间共同和独特的功能连接异常。对四组分类中，我们得到了69％平均总体准确度，我们进一步发现有22个重要的功能连接特征在区分四组中具有重要贡献，主要包括额叶、颞叶、顶叶和小脑区域，涉及听力、认知和运动功能。我们发现这三种疾病共有的变异主要表现在丘脑和小脑之间连通性强度降低、在中央后回和丘脑之间的强度增加，我们也发现了这些疾病的独特变异之处。本项目另外一个重要的工作包括：我们使用提出的动态功能网络分析方法探索了高风险精神分裂症患者和精神分裂症患者的相似之处以发现可预测精神分裂症进展的指标。我们发现高风险精神分裂症患者和精神分裂症患者具有疾病相关的连接状态，这些连接状态在高风险精神分裂症患者和精神分裂症患者间具有一定的相似性，但这些状态在病人和正常人之间差异较大。关于最重要的连接状态，高风险精神分裂症患者和精神分裂症患者具有相似的变化，但高风险精神分裂症的功能连接的变化的数目和强度都要比精神分裂症功能连接的变化要少和弱。此外，在本项目中，我们还提出了一种新的能够自动提取可靠功能连接状态的半监督非负矩阵分解方法，实验表明该方法可以提取出精神分裂症更有意义的功能连接损伤。除了上述工作，本项目还支持了一些探索精神疾病影像标志的其它工作。总之，我们的项目表明通过脑功能核磁共振成像的分析可有效揭示精神疾病的功能连接损伤，有助于揭示不同精神疾病的相似和独特变异之处，有利于推动精神疾病的精准医疗。

内容获取失败，请点击重试