指纹能揭示双相情感障碍的风险

《Bipolar Disorders》:Fingerprints Encode Risk for Bipolarity

【字体: 大 中 小 】 时间:2026年03月09日 来源:Bipolar Disorders 4.5

编辑推荐:

  **摘要** **背景** 指纹图案在怀孕期间形成,与中枢神经系统具有共同的胚胎起源。考虑到产前异常与精神分裂症高风险之间的观察到的关系,我们之前开发了基于指纹的算法,在大量精神分裂症患者样本中实现了高达70%的验证准确性。在这项新研究中,我们将这些算法应用于双相情感障碍患者样

  **摘要**

**背景**
指纹图案在怀孕期间形成,与中枢神经系统具有共同的胚胎起源。考虑到产前异常与精神分裂症高风险之间的观察到的关系,我们之前开发了基于指纹的算法,在大量精神分裂症患者样本中实现了高达70%的验证准确性。在这项新研究中,我们将这些算法应用于双相情感障碍患者样本。

**方法**
除了使用N=127名精神分裂症患者和N=116名健康对照组的独立指纹样本对开发的算法进行验证外,我们还将这些算法应用于N=118名双相情感障碍患者样本。所有参与者还提供了发病前的智商(IQ)分数,并分析了这些分数与算法结果之间的关联。

**结果**
初步验证提供了与原始研究相似的平衡准确性(57%–68%)。当应用于双相情感障碍患者(与健康个体相比)时,算法也显示出显著的预测能力(准确性:55%–68%)。然而,区分精神分裂症和双相情感障碍的能力较差(准确性:47%–57%)。在精神分裂症患者中,平均概率与发病前IQ分数之间的回归分析具有显著性(r = -0.184;p = 0.041),在整个样本中也具有显著性(r = -0.159;p = 0.002)。

**结论**
算法能够预测双相情感障碍,这表明指纹异常也存在于双相情感障碍中。此外,与发病前IQ的观察到的关联强调了指纹图案的神经发育起源,并提示指纹可能用于其他神经发育障碍的预测。然而,由于在精神分裂症诊断中的特异性不足,需要新的算法来进行精神病的鉴别诊断。

## 1 引言
指纹图案,也称为皮纹,是在怀孕期间形成的,作为表皮的特征,它们与中枢神经系统具有共同的胚胎起源[1]。产前异常与精神分裂症高风险之间的观察到的关系[2, 3]也表明了使用指纹作为该疾病生物标志物的可能性。由于指纹在出生后终生保持稳定,它们不仅可以用于诊断,而且作为潜在的特征生物标志物,还可以用于未受影响个体的风险预测。实际上,已经有多项研究探索了精神分裂症与指纹异常之间的关联,这些研究汇总在了一项荟萃分析中[4]。尽管发现了一些显著的关联,但这些关联程度适中,也有一些负面或矛盾的结果。这可能是由于样本量较小,以及大多数分析变量是皮纹中复杂图案的不良手动描述符所致。为了避免这些限制,在最近的一项研究中,基于大量精神分裂症患者和健康对照组的指纹样本(初始N=1412),应用了深度学习技术来构建分类这两组个体的算法[5]。具体使用了卷积神经网络,这些网络目前是大多数基于图像的人工智能(AI)应用的基础,从而达到高达70%的验证准确性[5]。尽管不是最优的,但70%的准确性在生物学上是合理的,因为出生后其他相关因素(即未编码在指纹中的因素)也会影响精神分裂症的风险[2]。Salvador等人的工作[5]指出了结合AI使用指纹图像有助于确定可能首次经历精神病发作的个体的诊断,甚至估计具有高遗传负荷的精神分裂症患者或已经出现前驱症状的个体的转变概率。然而,为了可靠地应用开发的算法,可能还需要进一步使用独立数据进行验证。此外,在现实临床环境中,为了实施适当的干预措施,通过适当的鉴别诊断排除其他情景也可能是必要的。在这里,区分非情感性和情感性精神病尤为重要。尽管关于产前异常在双相情感障碍中的作用的证据不如在精神分裂症中那么强[6, 7],但至少在严重病例中,已经显示出其与皮纹异常的关联[8]。在这里,我们使用从精神分裂症患者新获得的指纹样本,对Salvador等人[5]开发的算法进行了验证。我们还通过将这些算法应用于双相情感障碍患者的指纹样本,评估了其在情感性和非情感性精神病之间进行鉴别诊断的潜力。最后,我们评估了算法结果(量化为概率)与发病前IQ测试分数之间的潜在关系。

## 2 材料与方法**
### 2.1 样本
从西班牙七家医院招募了N=131名被诊断为精神分裂症(SCZ)的个体和N=118名被诊断为双相情感障碍(BIP)的个体:12 de Octubre医院(马德里)、Clínica San Miguel y Línea de Rehabilitación Psicosocial de Hermanas Hospitalarias(马德里)、Hospital la Fe(瓦伦西亚)、Benito Menni CASM(Sant Boi de Llobregat)、Hospital Sant Rafael(巴塞罗那)、Hospital Sagrat Cor(Martorell)和Hospital Mare de Deu de la Mercè(巴塞罗那)。此外,还从非医疗医院工作人员、他们的亲属和社区中的熟人中招募了N=170名健康对照组。所有个体的年龄在18–55岁之间,均为欧洲-高加索种族。排除了有精神病一级亲属或大学学位的健康对照组(HC),同时也拒绝了有智力障碍的患者(基于治疗医生提供的关于教育情况的临床信息)。所有受试者都签署了书面知情同意书。研究程序得到了所有参与医院的伦理委员会的批准,并遵守了《赫尔辛基宣言》。从原始样本中,为每组(即SCZ-HC、BIP-HC和SCZ-BIP)选择了按性别和年龄匹配的子样本。最终样本大小见表1。

| 组别 | N | 性别(M/F) | 卡方值(Chi-sq)及p值 | 年龄平均值(sd) | t值及p值 | 发病前IQ平均值(sd) | t值及p值 |
|----------------|--------|-----------|------------------|--------------|--------------|----------------------|--------------|
| 验证 | SCZ-HC | 127 | 85/42 | 2.59 | 0.107 | 42.2 (9.7) | 0.97 (0.334) | 96.1 (10.7) | 5.09 (7.8e-7) |
| | HC | 116 | 66/50 | 43.5 (10.9) | 102.2 (7.2) | | |
| 区分 | BIP-HC | 114 | 55/59 | 1.42 | 41.9 (10.8) | 1.94 (0.053) | 100.2 (8.3) | -0.39 (0.701) |
| | HC | 161 | 66/95 | 39.2 (12.0) | 100.6 (7.9) | | |
| 鉴别诊断 | SCZ-BIP | 97 | 55/42 | 1.50 | 42.8 (9.3) | -0.71 (0.477) | 96.5 (10.5) | 2.69 (0.007) |

**缩写说明:** Chi-sq:卡方检验值;F:女性;M:男性;sd:标准差。

### 2.2 数据采集与处理
使用Salvador等人[5]中使用的相同协议来采集指纹图像。具体来说,由训练有素的研究人员使用Kojak PL扫描仪(https://integratedbiometrics.com)采集所有手指的图像,然后将其发送到进行图像处理的机构(FIDMAG)。在那里,依次应用Gabor滤波器来提高图像质量[9]。接下来,利用Salvador等人[5]中之前进行的手动质量控制(QC)标记,开发并应用了一个基于相同网络架构的自动化QC算法到过滤后的图像上。QC得分较低的指纹图像被排除在进一步分析之外。最后,将Salvador等人[5]开发的深度学习算法应用于所有通过QC的图像。具体使用了基于单个手指的算法——包括左拇指、食指和中指(L1, L2, L3);以及右拇指、食指、中指和无名指(R1, R2, R3, R4),以及多手指模型(R1-L1, R2-L2, R3-L3, R1-R2-R3, L1-L2-L3)。每个模型都提供了一个属于目标类别的概率(根据Salvador等人[5],该类别是SCZ)。概率值高于0.5的手指被分类为SCZ,而概率值低于0.5的手指被分类为HC。图1显示了涉及指纹收集和处理的主要步骤的示意图。除了指纹图像外,还使用Word Accentuation Test(Test de Acentuación de Palabras, TAP)[10, 11]来估计发病前的IQ,该测试要求发音西班牙语单词,这些单词的重音已被移除。这种测试在概念上类似于英国国家成人阅读测试[12]和美国广泛成就测试[13];这样的发音测试对认知衰退具有抵抗力,包括影响语言能力的衰退。

### 2.3 统计分析
通过量化每个模型的平衡准确性来评估原始算法在配对SCZ-HC样本上的验证效果。平衡准确性定义为(敏感性+特异性)/2。对于涉及双相情感障碍患者和健康对照组的分类(BIP-HC配对样本),将BIP组视为目标组来计算平衡准确性。最后,为了评估精神分裂症和双相情感障碍之间的鉴别能力(SCZ-BIP配对样本),将SCZ视为目标组,将BIP视为对照组(即,将双相情感障碍患者视为健康个体)。为了估计从所有这些分析中得出的平衡准确性的不确定性,通过带有替换的抽样计算了自助法置信区间[14]。最后,通过简单回归分析评估了算法结果(量化为概率)与发病前IQ测试分数之间的潜在关系。具体来说,为三个组(SCZ、BIP和HC)以及整个合并样本拟合了回归模型,以发病前IQ分数作为自变量,所有模型提供的概率加权平均值作为因变量。

## 3 结果
将算法应用于包含精神分裂症患者和健康对照组的验证样本所获得的平衡准确性在表2中报告,并在图2A中绘制。准确率值介于57%到68%之间,尽管略低,但与原始研究报告的结果(介于59%到70%之间)相似。然而,原始研究中模型的相对表现并未保留(例如,表现最好和最差的模型与原始研究中的不同)。这可能是由于使用的样本量适中所致。然而,除了R3-L3模型外,所有其余模型的自助法置信区间都高于0.5的阈值,清楚地表明了它们的预测能力。不同模型的接收者操作特征(ROC)曲线和曲线下面积(AUC)值也显示在图3A中。

表2. 来自不同分析的验证准确性,包括Salvador等人(2023)[5]报告的原始值。自助法置信区间显示在括号内。提供了基于单个手指和多输入(多个手指)的算法结果,以及考虑所有模型提供的平均概率得到的结果。还提供了一个版本,其中每个模型的概率根据在原始研究中实现的准确性进行了加权。在模型中使用的手指:

Salvador等人[5],(SCZ-HC)

验证(SCZ-HC)

区分能力(BIP-HC)

鉴别诊断(SCZ-BIP)

R1
0.681 (0.649–0.713)
0.631 (0.566–0.692)
0.588 (0.529–0.649)
0.550 (0.477–0.621)

R2
0.593 (0.563–0.623)
0.683 (0.623–0.740)
0.602 (0.541–0.662)
0.556 (0.487–0.624)

R3
0.650 (0.617–0.682)
0.570 (0.503–0.634)
0.577 (0.516–0.640)
0.521 (0.449–0.592)

R4
0.635 (0.602–0.668)
0.567 (0.501–0.630)
0.564 (0.502–0.626)
0.552 (0.480–0.622)

L1
0.673 (0.640–0.704)
0.619 (0.555–0.681)
0.595 (0.535–0.655)
0.503 (0.430–0.577)

L2
0.620 (0.588–0.653)
0.618 (0.554–0.680)
0.549 (0.484–0.613)
0.552 (0.479–0.624)

L3
0.678 (0.647–0.709)
0.592 (0.526–0.654)
0.596 (0.536–0.656)
0.511 (0.439–0.582)

R1-L1
0.683 (0.649–0.717)
0.683 (0.620–0.745)
0.680 (0.617–0.742)
0.474 (0.397–0.551)

R2-L2
0.621 (0.586–0.654)
0.678 (0.612–0.741)
0.586 (0.520–0.650)
0.571 (0.501–0.639)

R3-L3
0.664 (0.629–0.697)
0.560 (0.493–0.624)
0.572 (0.509–0.634)
0.500 (0.426–0.571)

R1-R2-R3
0.678 (0.641–0.713)
0.646 (0.576–0.711)
0.632 (0.567–0.696)
0.507 (0.431–0.585)

L1-L2-L3
0.698 (0.664–0.733)
0.667 (0.599–0.732)
0.602 (0.537–0.667)
0.541 (0.462–0.621)

平均值
NA
0.671 (0.612–0.727)
0.628 (0.572–0.687)
0.540 (0.471–0.605)

加权平均值
NA
0.671 (0.612–0.727)
0.628 (0.572–0.686)
0.540 (0.471–0.605)

缩写说明:BIP,双相情感障碍;HC,健康对照组;R1、R2、R3、R4,分别代表右手拇指、食指、中指和无名指;L1、L2、L3,分别代表左手拇指、食指和中指;SCZ,精神分裂症。图2(可在PowerPoint中进行查看)

图表显示了Salvador等人(2023年)[5]中不同算法之前达到的平衡准确率(用黑色标注),以及(A)基于新精神分裂症患者和健康对照组样本的验证准确率,(B)双相情感障碍患者与健康对照组之间的区分准确率,以及(C)精神分裂症患者与双相情感障碍患者之间的鉴别诊断准确率。置信区间超过0.5阈值表示算法具有预测能力。APROB:基于所有模型的平均概率进行预测;WPROB:基于Salvador等人[5]中算法准确率的加权平均概率进行预测。图3(可在PowerPoint中进行查看)

对于精神分裂症患者(SCZ)和健康对照组(HC)的验证,不同模型的接收者操作特征(ROC)曲线和曲线下面积(AUC)值(括号内显示);双相情感障碍患者(BIP)与健康对照组(HC)之间的区分,以及精神分裂症(SCZ)与双相情感障碍(BIP)之间的鉴别诊断(C)。当使用原始算法对双相情感障碍患者和健康对照组进行区分时,它们也显示出预测能力,平衡准确率在55%到68%之间(见表2)。尽管这些准确率始终低于原始研究中的精神分裂症样本(见图2B),但除基于左手食指(L2)的算法外,所有模型的置信区间都超过0.5阈值(见表2)。ROC曲线和AUC值见图3B。最后,当使用原始算法进行精神分裂症与双相情感障碍的鉴别诊断(后者被视为对照组)时,大多数模型均未观察到区分能力。平衡准确率在47%到57%之间(见图2C),且大多数置信区间包含0.5阈值(见表2)。这种预测能力的缺失也体现在图3C的ROC曲线中,大多数情况下这些曲线与表示无预测性的对角线相交。图4显示了个体平均概率与发病前智商分数之间的回归分析结果。尽管似乎存在负趋势,但这仅在精神分裂症样本中显著(r = 0.184,p = 0.041),以及包含所有研究参与者的总体样本中显著(r = 0.159,p = 0.002)。

讨论

在本研究中,我们验证了Salvador等人[5]最近开发的算法在独立的精神分裂症患者样本上的预测能力,进一步证明了指纹和深度学习在精神分裂症诊断中的潜在用途。在双相情感障碍样本中的发现也显示了它们识别该疾病个体的能力,并证实了这些个体存在指纹异常。然而,这些个体经常被分类为精神分裂症患者(即根据算法判断为患者),这表明目前的算法特异性不足,只能用作精神病的预测指标。要实现情感性精神病和非情感性精神病之间的鉴别诊断,需要开发多类深度学习算法,而这将依赖于从数百到数千名健康对照组和不同诊断组的患者那里获取的大量指纹样本。另一个限制是,尽管诊断是根据DSM-5标准进行的,但基于临床访谈而非结构化精神病学访谈,可能导致结果存在一定程度的不准确性。另一方面,模型概率与发病前智商分数之间的观察到的关系证实了算法内部解码的指纹模式的神经发育起源,表明指纹和深度学习可以在其他神经发育障碍(例如注意力缺陷/多动障碍、自闭症、脑瘫和智力障碍)的预测/诊断中发挥作用。如引言中所述,指纹从出生起就保持稳定,因此可以被视为特征生物标志物,可用于新生儿期对(尚未受影响的)个体的风险预测。然而,由于准确率水平适中,其使用将限于高风险亚群(即具有高遗传风险或已经表现出前驱症状的个体),在这些亚群中,患病率足够高,可以提供可靠的阳性预测值。

致谢

本项工作得到了Carlos III健康研究所的几项资助,以及欧盟通过项目PI21/00525(针对R.S.)、PI21/00823(针对S.S.)、PI20/01002(针对M.F.-V.)、PI19/00766(针对R.R.-J.)和PI21/00416(针对E.P.-C.)、Miguel Servet合同CP20/00072(针对M.F.-V.)、Sara Borrell合同CD22/00106(针对M.A.G.-L.)和PFIS合同FI22/00121(针对L.B.)的共同资助。此外,本工作还得到了加泰罗尼亚政府的2017SGR01475、2021SGR01475项目以及PIF-Salut预博士合同(SLT017/20/000233)的支持。研究人员还得到了西班牙大学部的FPU合同FPU20-06709(针对A.A.)、“Caixa”基金会(ID 100010434)通过合同LCF/BQ/DR23/12000021(针对PO)、Júlia Gil Pineda研究奖学金(针对AA、M.F.-V.、L.B.和S.S.)的支持。

数据可用性说明

本研究的数据可供相应作者查阅。由于隐私或伦理限制,数据并未公开。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号