精神分裂症(schizophrenia，SZ)是一种多因素导致的严重精神障碍,临床常表现为情感、思维以及行为异常,精神活动与环境不协调^[1]。然而SZ患者在进行常规磁共振检查时通常没有任何显著的异常，因此我们无法通过常规的磁共振检查来对该疾病进行确诊。

       随着检查技术的进步，功能磁共振成像(functional magnetic resonance imaging，fMRI)技术被应用于脑科学的研究，该技术通过监控大脑血流量的改变来研究脑功能的改变。其中低频振幅(amplitude of low frequency fluctuation，ALFF)作为一种功能性指标已被用于探索神经精神疾病静息态区域脑活动，ALFF通过检测特定低频范围(0.01～0.10 Hz)内自发血氧水平依赖信号波动的局部同步总功率反映该脑区局部活动的强弱^[2,3]，从而探讨精神疾病患者脑功能的改变^[4]。先前研究发现SZ患者中央后小叶、中央旁小叶ALFF明显降低，在双侧尾状回、额内侧上回ALFF显著增加^[4]。此外，随着机器学习研究的发展，越来越多的研究致力于通过机器学习算法寻找精神疾病的生物标记^[5,6]。目前已有多种差异指标应用于SZ患者的识别^[7,8]，但尚未有报道使用ALFF差异单独作为识别SZ患者的研究。

       综上，本研究以SZ患者为研究对象，探究SZ患者组ALFF与健康对照组的组间差异，研究该差异能否识别SZ患者，并探索该差异作为SZ特异性生物标记的可能性。

1 对象和方法

1.1 研究对象

       本研究为回顾性研究，所用数据是由卓越生物医学研究中心(Center of Biomedical Research Excellence，COBRE)提供的，该研究是在新墨西哥大学健康科学中心人类受试者研究审查委员会(Human Subjects Research Review Committee，HRRC)审查和完全批准后进行的。包括72位SZ患者(58名男性，18～65岁)和74位年龄性别相匹配的健康对照志愿者(51名男性，18～65岁)。两组入组人员的一般资料对比，差异无统计学意义(P＞0.05)，具有可比性。

1.1.1 精神分裂症患者组

       纳入标准：SZ患者组所有患者均符合《美国精神障碍诊断与统计手册》第四版(Diagnostic and Statistical Manual of Mental Disorders, Fourth Edition, DSM-Ⅳ)中关于SZ的诊断标准，均接受多种抗精神病药物治疗(1个月内无药物变化)。

       排除标准：①患有器质性疾病及其他精神疾病；②5 min以上意识丧失的脑外伤；③智力迟钝；④近期药物滥用或依赖史；⑤一生中有一次以上的抑郁发作史，近6个月内有抑郁或抗抑郁药使用史，一生中抗抑郁药使用史1年以上。且所有参与者在扫描前至少1小时内没有吸烟。

1.1.2 健康对照组

       纳入标准：健康对照组所有志愿者经体格检查确认健康，无精神疾病家族史。

       排除标准：符合DSM-Ⅳ轴Ⅰ精神障碍诊断标准的任何精神疾病或有精神障碍家族史；其余同SZ患者组排除标准。

       所有受试者均完成了韦氏成人阅读测验(Wechsler Test of Adult Reading，WTAR)、韦氏智力简表(Wechsler Abbreviated Scale of Intelligence，WASI)、烟碱依赖法格斯特罗姆测验(Fagerstrom Test for Nicotine Dependence，FTND)和尿药筛查。此外，采用阳性和阴性综合征量表(Positive and Negative Syndrome Scale，PANSS)、卡尔加里抑郁量表(Calgary Depression Scale)和临床整体印象量表(Clinical Global Impression，CGI)对SZ患者进行评分。

1.2 数据处理

       使用数据处理助手软件包(http://www.restfmri.net)对功能图像进行预处理，步骤如下：①去除前10个时间点；②时间层校正及头动校正，剔除水平移动大于3 mm或旋转移动＞3°的被试,本步骤未排除受试者；③fMRI数据配准到3D T1WI模板上,标准化到标准空间；④以FWHM为6 mm的平滑核进行空间平滑；⑤减小低频漂移的趋势(0.01～0.10 Hz)；⑥回归协变量，包括Friston 24运动参数^[9]，白质信号和脑脊液信号；⑦削峰，在3dDespike中实现(http://afni.nimh.nih.gov/afni)^[10]。

       静息态ALFF采用DPARSF软件计算：①对每个体素的时间序列进行快速傅里叶变换，将时域信号转换为频域信号以得到功率谱；②对功率谱进行开方运算，得到信号的振荡幅度；③计算0.01～0.10 Hz内每个体素的功率谱平均值：④对全脑所有体素的功率谱平均值进行标准化，即得到ALFF值。

1.3 统计分析

       采用SPM软件对SZ患者组和健康对照组的ALFF数据进行双样本t检验，年龄性别等变量被当作协变量送入统计模型。结果用GRF (体素水平P＜0.001,簇水平P＜0.05)校正，得到差异有统计学意义的区域。

       选取两组间差异脑区的顶点坐标，以6 mm为半径画ROI，提取该区域的平均值。以此为特征，构建线性SVM分类器，采用留一交叉验证的方法来计算模型的分类准确度。Golland等^[11]提出的置换检验可用来评估得到的分类准确率是否具有统计显著性。同时，我们计算和这些差异区域的ALFF的平均值，与临床量表(IQ，PANSS等)之间的皮尔逊相关系数。

2 结果

2.1 人口统计学与心理测量结果

       如表1所示，SZ患者组与健康对照组在年龄、受教育年限及父母受教育程度差异无统计学意义(P＞0.05)，两组在智商(IQ)上差异具有统计学意义(P＜0.05)，表明SZ患者存在认知缺陷。表2为SZ患者组临床特点。

点击查看表格

表1  精神分裂症患者组与健康对照组在人口学和量表得分的差异比较

点击查看表格

表2  精神分裂症患者组的临床特点

2.2 ALFF的组间差异

       相对于健康对照组，SZ患者组的患者ALFF值增高的脑区包括右侧梭状回、左侧颞下回、左侧内侧额上回、左侧尾状核；ALFF值减低的脑区包括双侧丘脑、右侧中央后回(图1，表3)。将上述存在差异脑区的ROI信号作为特征纳入SVM分类器进行建模与分类，最终的分类准确度为73.13%，AUC=0.8491 (图2)，5000次置换检验显示准确度与AUC的P值均＜0.05。差异区域的ALFF和临床量表表现出显著的相关性，表明这些区域ALFF的异常不依赖于症状严重程度，可能是与精分发病机制相关。

点击查看大图

图1  精神分裂症患者组与健康对照组比较ALFF存在显著差异的脑区，红色显示为精神分裂症患者组较健康对照组ALFF值增高有统计学意义的脑区，蓝色显示为精神分裂症患者组较健康对照组ALFF值降低有统计学意义的脑区。深蓝-浅蓝、黄色-红色对应t值从大至小。

点击查看大图

图2  支持向量机分类的ROC曲线

点击查看表格

表3  精神分裂症患者组与健康对照组ALFF存在显著差异的脑区

3 讨论

       本研究通过对SZ患者组与健康对照组的ALFF分析发现,SZ患者与健康对照相比存在多个ALFF异常的脑区。其中SZ患者ALFF显著增高的脑区是右侧梭状回、左侧颞下回、左侧内侧额上回、左侧尾状核；ALFF显著降低的脑区是双侧丘脑及右侧中央后回。这些结果证明了SZ患者存在自发活动异常的脑区。且通过机器学习模型的构建，证明了这些异常可以作为识别SZ患者的生物标记。

3.1 精神分裂症患者ALFF增高的脑区

       梭状回被证明与面部识别和表情识别有关，先前的研究表明，梭状回的自发活动增加可能会导致SZ患者幻视的增加，并产生一些知觉问题，且右侧梭状回较于左侧梭状回在感觉与知觉紊乱中发挥着更重要的作用^[12，13]，这与本研究的发现一致。颞下回同梭状回作用一致，均与物体和人脸的识别有关^[14]。此外，颞叶功能改变与SZ的幻觉妄想症状有关^[15]，颞下回ALFF的增加可能与幻觉的出现有关^[16]。尾状核和内侧前额叶是SZ患者功能连接改变最明显的区域^{[17, 18, 19, 20]}。其中内侧前额叶是组成默认网络(default mode network，DMN)的重要区域^[21]。先前的研究表明SZ患者的默认网络存在异常，我们的研究与既往报道一致^{[22, 23, 24]}。默认网络被认为与心理状态以及情绪处理任务相关，默认网络的自发活动增加可能与过度的自我参照以及注意力和工作记忆的障碍有关^[25]。

3.2 精神分裂症患者ALFF下降的脑区

       丘脑作为大脑生理活动的重要节点在信息处理中起着关键的作用，同时丘脑也是构成SZ的功能和结构通路的一部分^{[26, 27, 28]}。先前已有研究表明SZ患者丘脑与其他脑区的功能连接减少^[29]。丘脑自发活动的异常与SZ患者认知障碍症状出现相关^[30，31]。中央后回属于初级躯体感觉运动皮层^[32]。Wang等^[4]研究发现中央后回ALFF降低，且该脑区自发活动的异常与SZ患者认知障碍有关，本研究结果与该研究一致。

3.3 差异特征表现出较好的区分能力

       本文进一步利用这些差异区域的ALFF值，构建分类模型，看这些区域的ALFF值能否很好地区分出SZ患者和健康对照。结果发现以此构建的特征能够较好地区分健康对照和SZ患者(分类准确度73.13%，AUC=0.8491)，较高的AUC表明模型具有较好的可靠性。分类准确度较低的原因可能有两方面：第一，构建模型的样本数较小，后续训练样本增加之后，模型的性能可能会进一步提升；第二，精分表现出结构功能等多模态的异常。研究证明SZ患者在皮质-小脑-纹状体-丘脑回路存在功能连接的异常^[33]，与本文研究一致。此外，SZ患者不仅表现出功能的异常，还表现出结构的异常，SZ患者灰质体积在外侧前额叶皮质、颞外侧皮质、颞极和脑岛等部位降低^[34]。融合多模态特征构建分类模型，一直是神经影像研究领域的难点和热点。仅依靠单一模型，分类准确度有限，我们接下来的研究将融合结构和功能特征构建模型，得到分类性能更好的模型。

       本研究发现，SZ患者静息态下存在包括默认网络在内的多个脑区的功能活动的异常，SZ患者在早期阶段可能已出现纹状体-丘脑-默认网络环路的异常。而SZ患者认知障碍及幻觉的出现可能与这些脑区的功能异常有关，这些脑区的ALFF异常可以为SZ患者的诊断提供依据。且以差异脑区为分类特征进行机器学习得到了较好的分类效果，提示差异结果可作为识别SZ患者的可能标记物。

       本研究为横断层面的研究，不能对经过药物治疗的SZ患者做出评估，因此还需要进一步的研究，进行随访或纳入治疗缓解后的实验组，以期对SZ患者诊断、治疗及预后评估提供依据。