Page 101 - 心理健康及心理危机

第三章 精神卫生疾病及躯体化症状

第三章 精神卫生疾病及躯体化症状

第一节 精神卫生疾病诊断

一、机器学习在神经精神疾病诊断及预测中的应用

神经影像技术泛指能够直接或间接对神经系统（主要指大脑）结构、功能和

药理学特性进行成像的技术。当前以磁共振成像（magnetic resonance imaging，
MRI）为代表的多种神经影像技术已被广泛应用于神经精神疾病以及认知神经科
学等领域，以探索用于脑疾病早期诊断、治疗和疾病发展监控的生物标志物。
研究发现，神经精神疾病患者的大脑存在功能和结构改变，如阿尔茨海默病

（Alzheimer disease，AD）、注意力缺陷多动障碍（attention deficit hyperactivity
disorder，ADHD）和抽动秽语综合征（Tourette syndrome，TS）等。然而此类研
究采用的是对图像中每个体素单独进行假设检验的传统方法，因此研究结果对临
床诊断和预后的贡献十分有限。此外，神经影像学研究往往报道神经精神疾病患

者和正常人组间水平的差异，而医生在诊疗中需在个体水平作出判断。因此，为
了使神经影像学更好地服务于临床诊断，需提供个体水平的诊断和预测。
近年来，机器学习方法已广泛应用于多模态神经影像数据分析，并能从神经
影像数据中提取出新的信息和感兴趣的模式，找到基于大脑影像数据的生物学标

志物，并从个体水平区别神经精神疾病患者与正常人。其中涉及机器学习的方法
主要包括多任务 / 多模态学习、特征提取和选择、分类、核方法、深度学习等。
通过这些机器学习方法，对已有疾病数据进行有效分析，发现其中规律，可准确
对未知数据进行预测和诊断，进而帮助寻找与疾病有关的生物学标志物，从而有

效辅助脑疾病的临床诊断。
（一）基于机器学习的神经影像分析流程
机器学习基于训练数据构建统计模型，从而使计算机具有对新数据进行预测
和分析能力。随着医学成像技术的发展，在许多神经精神疾病的早期诊断和治疗

中已越来越多地用到多模态影像数据，如何针对神经影像数据固有的高维度、小

89