【摘要】华南理工大学生物医学科学与工程学院、广东省精神疾病转化医学工程技术研究中心吴凯教授与广州医科大学附属脑科医院吴逢春主任合作，研究了基于大脑结构和功能网络拓扑属性的精神分裂症分类研究。2022年1月11日，《Frontiers in Neuroscience》杂志发表了题为《Discriminative Analysis of Schizophrenia Patients Using Topological Properties of Structural

and Functional Brain Networks: A Multimodal Magnetic Resonance Imaging Study》的研究论文，论文第一作者为广州新华学院生物医学工程学院王静老师，2021年华南理工大学访问学者。

随着磁共振成像(MRI)的发展，已有大量研究显示精神分裂症(SZ)的大脑结构和功能异常。近年来，基于机器学习技术结合多模态MRI数据在个体水平上诊断精神分裂症的研究越来越多。然而，基于大脑结构和功能网络拓扑属性对精神分裂症不同病程的分类研究却不多。因此，基于多模态MRI数据构建脑结构和功能网络特征对不同病程的SZ患者进行鉴别分析，具有重要的科学意义和临床价值。

本研究共纳入205例正常对照组(NC)、61例首发精神分裂症患者（FESZ）和79例慢性精神分裂症患者(CSZ)。本文基于结构MRI、弥散张量成像和静息态功能MRI数据构建了每个受试者的脑网络，包括灰质网络（GMN）、白质网络(WMN)和功能脑网络(FBN)，并计算了每个脑网络的拓扑属性，包括度中心性（BC）、节点效率(NE)和中介中心性(DC)。文中采用5种机器学习算法（图一）对SZ与NC、FESZ与CSZ进行分类，并基于268脑图谱将大脑划分为8个子网络（图二），对最优分类中的特征参数进行权重排序，分析具有重要贡献度的脑区分布。

主要结果：（1）与其他4种机器学习算法相比，SVM算法在两种分类中均取得了最好的性能（图三）;（2）以GMN和FBN组合为输入特征的分类器在SZ患者与NCs分类中表现最好;而以GMN和WMN组合为输入特征的分类器在FESZ和CSZ患者分类中表现最好（图三）;（3）皮质下/小脑网络和额顶叶网络的脑区特征在两种分类中均具有显著重要性（图四）；（4）在两组分类中，网络拓扑属性BC比DC和NE对分类器的贡献度更大。

图一  机器学习分类算法流程图

图二  基于268脑图谱将大脑划分8个子网络

图三  两种分类不同模态组合的准确度

图四 两种分类中子网络的分布