當前位置:首頁 > 新聞中心 > 科研動態

科研動態

跨物種機器學習提升精神疾病磁共振影像診斷准確性

  • 发表日期:2020-06-22 【 【打印】【關閉】
  •   中科院腦科學與智能技術卓越創新中心王征研究組與中科院自動化所赫然課題組合作,整合靈長類動物模型和臨床精神疾病患者的功能磁共振影像數據,在國際上首次設計猴-人跨物種的機器學習分析流程,該研究利用從轉基因猕猴模型上學習的特征構建臨床精神疾病患者的分類器模型,進而深入解析人類自閉症和強迫症的神經環路機制,爲精神疾病的影像學精准診斷提供了新證據,發現了利用非人靈長類模型服務精神疾病臨床應用需求的新途徑。相關成果6月17日在線發表在American Journal of Psychiatry 期刊上。 
      自閉症(ASD)是一種神經系統失調的發育性疾病,具有高度的異質性,患者常伴隨強迫症(OCD)、注意力缺陷多動症(ADHD)等並發症,給臨床診斷和病理機制研究帶來巨大挑戰。非人靈長類動物與人類在腦結構與功能上較爲接近,研究人員前期發現轉基因靈長類動物模型能夠表現出與人類臨床患者類似的症狀表型,如MECP2過表達的猕猴表現出重複刻板行爲、社交行爲障礙等類自閉症症狀(Nature,2016),且在大腦環路上的異常也與部分自閉症患者相似(J Neurosci,2020)。   

      研究團隊在以上前期工作基礎上(IEEE TMI, 2015),探索灵长类物种间可能的进化保守特征,假设以保守的脑区功能为基础,构建可跨物种迁移的精神疾病分类预测模型(圖A)。该研究运用机器学习算法对源自5只转基因猕猴和11只野生型猕猴的脑功能图谱数据进行脑区筛选,识别出9个核心脑区(图B);将9个脑区一一映射到人类大脑,并用脑区间的功能连接形成特征集合,构建稀疏逻辑回归分类器,分别用于自闭症、强迫症和注意力缺陷多动症患者的诊断分类。患者数据分别来自ABIDE-I (1112人)、ABIDE-II(1114人)、OCD(186人)和ADHD-200(776人)等4个临床影像数据库。 

      經交叉驗證,該研究發現,基于轉基因猕猴特征構建的分類模型對ABIDE-I數據集中自閉症患者和正常人的區分准確率達到82.14%,對ABIDE-II數據庫中人類被試達到75.17%的准確率,顯著高于基于自閉症和強迫症病人自身特征構建分類器的性能(圖C)。當將同樣的9個腦區拓展到強迫症影像數據時,研究發現,猕猴特征構建分類模型仍然能達到78.36%的准確率,顯著高于基于自閉症患者特征構建的分類器性能。但這些基于猕猴模型學習的特征未能顯著性地提升ADHD患者的分類准確率。進一步分析這些性能優越的分類器中的功能連接與精神疾病臨床症狀之間的關系,研究發現,右側腹外側前額葉皮層在自閉症和強迫症中同時扮演著雙重角色,分別對應于各自特異的維度症狀表型(圖D)。 

      由于猴-人的功能磁共振影像數據存在很大差異,機器學習模型直接應用到跨物種數據上的學習效果並不顯著。這些模型難以獲得到有效的判別信息以及穩定的泛化能力,在ABIDE-II數據庫中人類被試的准確率只有60%左右,因此,需要在數據處理、特征學習和分類模型等一系列方面進行從0到1的原始創新研究。研究團隊從神經信息學基本機理出發,經過一年多的反複模型設計和實驗嘗試才發現最終的機器學習解決方案。在研究過程中,前期大量的失敗探索逐漸讓研究團隊對跨物種機器學習有了更深入的認識,從而構建出符合生物可解釋性的學習模型。研究團隊發現對于ASD診斷,人腦和猴腦間存在極爲相似的有效診斷腦區(即核心腦區),利用這些腦區相關的功能連接來設計學習模型往往可以獲得更好的結果,進而提出了高效的猴-人跨物種機器學習算法。 

      該研究由王征、赫然共同指導博士研究生詹亞峰、衛建澤等合作完成,得到英國劍橋大學、複旦大學附屬兒科醫院、中科院昆明動物研究所等支持和科技部、國家自然科學基金委、中科院、上海市、廣東省等資助。 

      

      

    A:腦功能連接圖譜的特征構建猴-人跨物種機器學習分類器;B:在猕猴模型中學習得到的9個腦區;C:基于9個腦區構建的跨物種機器學習分類器與基于人ASD數據構建的分類器對ASD、OCD和ADHD的分類性能ROC曲線;D:ASD和OCD共享的神經環路內表型以及與疾病特異的臨床症狀相關的異常。  

      

      論文:

      Diagnostic Classification for Human Autism and Obsessive-Compulsive Disorder based on Machine Learning from a Primate Genetic Model