跨物种机器学习提升精神疾病磁共振影像诊断准确性

　　研究团队在以上前期工作基础上（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（图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。 

　　经交叉验证，该研究发现，基于转基因猕猴特征构建的分类模型对ABIDE-I数据集中自闭症患者和正常人的区分准确率达到82.14%，对ABIDE-II数据库中人类被试达到75.17%的准确率，显著高于基于自闭症和强迫症病人自身特征构建分类器的性能（图C）。当将同样的9个脑区拓展到强迫症影像数据时，研究发现，猕猴特征构建分类模型仍然能达到78.36%的准确率，显著高于基于自闭症患者特征构建的分类器性能。但这些基于猕猴模型学习的特征未能显著性地提升ADHD患者的分类准确率。进一步分析这些性能优越的分类器中的功能连接与精神疾病临床症状之间的关系，研究发现，右侧腹外侧前额叶皮层在自闭症和强迫症中同时扮演着双重角色，分别对应于各自特异的维度症状表型（图D）。 

　　由于猴-人的功能磁共振影像数据存在很大差异，机器学习模型直接应用到跨物种数据上的学习效果并不显著。这些模型难以获得到有效的判别信息以及稳定的泛化能力，在ABIDE-II数据库中人类被试的准确率只有60%左右，因此，需要在数据处理、特征学习和分类模型等一系列方面进行从0到1的原始创新研究。研究团队从神经信息学基本机理出发，经过一年多的反复模型设计和实验尝试才发现最终的机器学习解决方案。在研究过程中，前期大量的失败探索逐渐让研究团队对跨物种机器学习有了更深入的认识，从而构建出符合生物可解释性的学习模型。研究团队发现对于ASD诊断，人脑和猴脑间存在极为相似的有效诊断脑区（即核心脑区），利用这些脑区相关的功能连接来设计学习模型往往可以获得更好的结果，进而提出了高效的猴-人跨物种机器学习算法。 

　　该研究由王征、赫然共同指导博士研究生詹亚峰、卫建泽等合作完成，得到英国剑桥大学、复旦大学附属儿科医院、中科院昆明动物研究所等支持和科技部、国家自然科学基金委、中科院、上海市、广东省等资助。