基于自动化视网膜影像分析与机器学习的精神分裂症分类:一项初步研究

《Surgeries》:Machine-Learning Classification of Schizophrenia Using Automated Retinal-Imaging Analysis: A Pilot Study

【字体: 大 中 小 】 时间:2026年09月27日 来源:Surgeries 1.5

编辑推荐:

  背景:精神分裂症是一种使人衰弱的疾病,给患者和照护者带来沉重负担。尽管过去几十年神经影像技术有所改进,精神分裂症在神经解剖学水平上仍缺乏明确的定义。诊断标志物的存在可能促使其突破目前基于现象学的方法,有助于疾病的诊断和监测。先前的研究结果表明精神分裂症存在视网

  
背景:精神分裂症是一种使人衰弱的疾病,给患者和照护者带来沉重负担。尽管过去几十年神经影像技术有所改进,精神分裂症在神经解剖学水平上仍缺乏明确的定义。诊断标志物的存在可能促使其突破目前基于现象学的方法,有助于疾病的诊断和监测。先前的研究结果表明精神分裂症存在视网膜结构性改变,包括视网膜层变薄和微血管变化。目的:研究人员旨在评估视网膜影像结合机器学习方法是否有助于精神分裂症的诊断分类。此外,研究人员还刻画了精神分裂症患者与健康对照者相比的视网膜结构特征,并检查这些视网膜测量指标是否与疾病状态、临床严重程度、功能结局及其他关键临床变量相关。方法:本研究招募了64名精神分裂症患者和64名健康对照者。精神分裂症组参与者完成了标准化临床评定量表,以评估症状严重程度和功能状态。另外记录了包括人口学特征、未治疗精神病持续时间(duration of untreated psychosis)和抗精神病药物剂量在内的其他临床变量。所有参与者均接受了眼底照相,并使用香港中文大学(CUHK)开发的自动化视网膜影像分析(Automated Retinal-Imaging Analysis, ARIA)系统对视网膜图像进行处理。提取的视网膜参数用于训练机器学习模型,以区分精神分裂症病例与对照。研究人员采用横断面设计,在调整相关混杂因素后比较两组间的视网膜特征,并评估精神分裂症队列内视网膜测量指标与临床变量之间的关联。结果:机器学习模型成功区分了精神分裂症患者与健康对照者,达到了较高的敏感性(96.9%)和特异性(92.2%)。与既往文献一致,研究人员观察到精神分裂症组部分视网膜厚度指标降低,同时发现了一些新的静脉微血管结构改变。视网膜测量指标与症状严重程度或疾病相关变量之间无统计学显著关联。结论:机器学习(ML)模型强大的区分性能凸显了基于ML的视网膜分析作为精神分裂症现有诊断和风险分层方法辅助工具的潜在价值。研究结果提示精神分裂症存在视网膜层改变以及以往研究未涉及的新颖微血管变化。总之,这些结果为未来大规模探索精神分裂症视网膜生物标志物指出了有前景的方向。
**论文解读:基于自动化视网膜影像分析与机器学习的精神分裂症分类初步研究**

**1. 研究背景与问题**

精神分裂症是一种病因复杂、临床表现异质性高的严重精神障碍,尽管神经影像学技术不断进步,但其在神经解剖学层面仍缺乏明确的可定义标志物。现行诊断主要依赖现象学症状描述,难以整合解剖、遗传和生物学进展。视网膜作为中枢神经系统的“窗口”,因其与大脑共享胚胎发育来源和微血管特征,成为探索精神分裂症病理生理机制的可行途径。已有研究发现精神分裂症患者存在视网膜神经纤维层(retinal nerve-fibre layer, RNFL)和神经节细胞层-内丛状层(ganglion-cell–inner-plexiform layer, GCIPL)厚度变薄,以及视网膜微血管异常。然而,单一生理参数的组间差异在个体水平上诊断价值有限,无法同时兼顾敏感性和特异性。既往使用单一视网膜血管轨迹特征的分类研究准确率不佳。因此,有必要结合多种视网膜结构和血管参数,利用机器学习方法构建诊断分类模型,并探讨视网膜改变与临床变量的关联。

**2. 研究目的与设计**

研究人员开展了一项横断面病例对照研究,在香港青山医院(Castle Peak Hospital)招募64名精神分裂症(schizophrenia, SZ)患者和64名健康对照者。精神分裂症组通过精神科医生转介自屯门精神健康中心,对照组为医院员工和实习生。纳入标准包括经中文版DSM-IV定式临床访谈(SCID-I)确诊、年龄18–65岁、能配合视网膜影像检查、能使用粤语/普通话/英语交流且具有知情同意能力。排除标准包括共病其他精神障碍、视网膜图像质量差或眼部疾病、光敏感癫痫、近一年内精神活性物质使用、严重感觉损害。研究经医院管理局中央机构审查委员会批准,遵循赫尔辛基宣言。所有参与者接受眼底照相,图像经香港中文大学开发的自动化视网膜影像分析(Automated Retinal-Imaging Analysis, ARIA)系统处理,生成每眼22项视网膜参数,包括血管直径、动静脉比值、弯曲度、分叉系数、分叉角、不对称指数以及出血、渗出和静脉压迹概率指数等,并估算OCT相关参数。临床评估采用阳性与阴性症状量表(PANSS)、简明精神病评定量表(BPRS)和功能总体评定量表(GAF),并计算氯丙嗪等效剂量。

**3. 关键技术方法**

研究人员使用了以下主要技术方法:(1)基于惩罚最大似然估计的广义线性模型(Glmnet)对ARIA参数进行特征选择和变量收缩;(2)采用预测练的Inception-ResNet-v2卷积神经网络(Modified ResNet)提取眼底图像的像素级特征;(3)使用支持向量机(support vector machine, SVM)分类器进行10折交叉验证;(4)以70%数据为训练集、30%为内部留出验证集评估模型泛化能力。数据划分在参与者水平进行,同一人的双眼图像保持在同一分区,特征选择、模型拟合和阈值决策仅基于训练数据。

**4. 研究结果**

**4.1 参与者**:精神分裂症组和对照组在年龄、性别、糖尿病和高血压患病率上无显著差异,但家族精神病阳性率存在显著差异(p < 0.001)。

**4.2 机器学习诊断分类**:结合ARIA参数和ResNet图像特征的联合分类器经10折交叉验证,正确识别出64例中的62例精神分裂症患者(敏感性96.9%,特异性92.2%,阳性预测值92.5%,阴性预测值96.7%,总体准确率94.5%,ROC曲线下面积0.987)。在30%内部验证集上,特异性降至89.5%,敏感性降至84.2%,AUC为0.927。

**4.3 精神分裂症的视网膜特征**:精神分裂症组双眼平均GCIPL厚度变薄(左眼p = 0.009,右眼p = 0.003),最小GCIPL厚度在双眼均变薄(p = 0.011)。右眼平均视乳头周围视网膜神经纤维层(pRNFL)厚度变薄(p = 0.003),左眼差异未达显著(p = 0.085)。视网膜血管方面,左眼平均静脉不对称指数升高(p = 0.038),左眼平均静脉分叉角更宽(p = 0.013),右眼未见显著差异。右眼视盘面积在精神分裂症组增大(p = 0.013)。排除糖尿病和高血压参与者后上述差异仍显著。中央视网膜动脉等效值(CRAE)和静脉等效值(CRVE)与疾病状态无显著相关(p = 0.257, p = 0.199)。

**4.4 与临床变量的相关性**:经错误发现率(FDR)校正后,所有视网膜参数与PANSS(总分及各分量表)、BPRS、GAF、氯丙嗪等效剂量均无显著相关。有精神病家族史与无家族史者之间、未治疗精神病持续时间短(0–1年)与长(>1年)者之间,视网膜特征均无显著差异。视网膜特征与病程也无显著相关。

**5. 讨论与结论**

研究人员指出,本研究是少数在完全自动化流程中同时分析眼底成像和估算OCT参数的精神分裂症研究之一。视网膜参数单独用于个体分类时特异性和敏感性不足,而机器学习可整合多种特征构建具有较好准确率的分类模型。本模型的高性能可能源于结合了ARIA提取的多种视网膜结构特征和深度神经网络的像素级特征。然而,样本量有限且未使用外部数据集验证,结果应视为概念验证,真实世界表现可能低于当前数值。

视网膜GCIPL和pRNFL双侧变薄支持精神分裂症存在神经退行性改变,与既往文献一致。新发现的静脉不对称指数升高和分叉角增宽提示视网膜微血管血流动力学异常,可能反映与大脑共享的神经炎症、血管功能障碍及候选基因(如VEGF、BDNF)影响。视网膜微血管变化与脑血流灌注异常、神经递质(如多巴胺)的血管活性效应相关。研究推论视网膜层变薄可能与基因、神经炎症和脑血管异常共同有关。

局限性方面,横断面设计无法推断因果关系;便利抽样可能导致选择偏倚;样本均质性较好但外推性受限;吸烟、既往抗精神病药物暴露、屈光不正等混杂因素未完全控制;ARIA软件存在测量偏倚可能;机器学习模型事件数较少,准确率可能过于乐观。

结论:本初步研究显示,基于自动化视网膜参数提取的机器学习分类器在区分精神分裂症患者和健康对照方面取得了良好效果,可能为未来构建精神分裂症诊断分类器提供基础。同时,研究进一步证明了GCIPL和pRNFL变薄,并识别出静脉分叉角和不对称指数的新颖改变,支持视网膜与大脑共享神经炎症和神经血管机制的假说。这些发现凸显了视网膜影像有望成为精神分裂症的一种便捷、定量的评估工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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