数据驱动的精神障碍分类神经影像标志研究

本项目的研究目标是建立一套神经影像数据挖掘方法，从而透过精神障碍的行为表现挖掘反映其病因学本质的脑活动特征，为精神障碍的精确诊断提供基础。其核心研究是开发数据驱动的被试分类方法，即在无需假设被试组别的条件下，通过被试的功能影像特征发现被试亚组。在本项目的资助下，我们不仅顺利实现了上述核心目标，即开发了利用功能影像数据的被试间一致性检测被试亚组的方法gRAICAR（研究一），还引入了新的行为范式以更加有效地反映精神障碍患者的认知异常机制（研究二）、引入多元模式分类方法，以整合并检验前两方面研究获得的发现（研究三）。. 在研究一中，我们延续已有工作研发了独具特色的被试亚组检测方法gRAICAR。该方法的特色体现于在不事先假设被试分组的前提下，依据脑功能成像数据自动检测被试间的相似性，并进行统计检验以推断被试的亚组。由于目前精神障碍的诊断主要依赖于行为症状，具有较强主观性，且不能准确反映疾病的病因学特征，传统的先根据现有诊断标准对被试分组再比较组间差异的方法逐渐受到质疑。gRAICAR方法的提出将能克服这一缺陷，为发现精神障碍的神经影像标志提供更适合的方法。在研究二中，我们发现与传统行为任务相比，意识下范式能够更有效、更稳定地反映抑郁症患者的情绪认知异常。这一研究从任务设计的角度提出了显现精神障碍患者脑机制异常的有效途径。除了抑郁症患者，我们将该方法应用于研究精神分裂症患者对人际交流信息的加工异常，亦取得了有意义的发现。以上两个研究致力于更好凸显、发现精神障碍患者的脑机制特征。在研究三中，我们引入并改进了模式分类方法，以验证并整合多种特征，最终利用这些特征对精神障碍患者进行基于病因学的诊断和分类。通过两项具体研究，我们初步建立了模式分类方法，并提出了创新的跨条件分类方法。. 综上所述，在国家自然科学基金青年科学基金的资助下，我们成功实现并大幅超越了既定的研究目标，建立了较完整的方法学研究体系，为进一步的精神障碍神经影像标志研究构筑了坚实基础。在本项目资助下，负责人已发表第一/通讯作者SCI文章7篇，并且在上述的三个研究中均有论文发表于影响因子大于4分的学术期刊。同时，我们也发布了数据驱动的多被试亚组检验工具包，供全世界研究者使用。基于本项目的工作，我们成功获批了“青年基金-面上项目连续资助项目”。