精神分裂症是一种高度致残的脑部疾病，涉及广泛脑区，特别是小脑在其发展中可能起重要作用。尽管已有证据表明小脑在精神分裂症中的重要性，但目前尚无具体的小脑异常生物标志物来辅助疾病的客观诊断。

本研究共招募了336名参与者，其中174名为精神分裂症患者，162名为健康对照。参与者被分为训练队列（122名精神分裂症患者和115名健康对照）和测试队列（52名精神分裂症患者和47名健康对照）。研究采用高分辨率T1加权磁共振成像（T1-MRI）获取小脑的影像数据。扫描参数包括重复时间6.3毫秒、回波时间2.1毫秒、翻转角度12度、视野256×256平方毫米、矩阵256×256以及体素大小1×1×1立方毫米。扫描持续时间为5分钟。

图1：影像组学pipeline的工作流程

图像经过人工检查，以排除伪影和失真。 小脑的解剖分割通过volBrain CERES自动完成，基于高分辨率小脑图谱将小脑分为12个子区域：小叶I-II、小叶III、小叶IV、小叶V、小叶VI、Crus I、Crus II、小叶VIIB、小叶VIIIA、小叶VIIIB、小叶IX和小叶X。然后，从这些子区域中提取影像组学特征，包括14个形状特征、18个一阶特征和75个二阶特征（如灰度共生矩阵、灰度运行长度矩阵、灰度尺寸区矩阵、灰度依赖矩阵和邻近灰度调节差矩阵），共2568个特征。 特征选择采用互信息的方法，旨在减少高度相关特征的数量并避免过拟合。然后，使用轻量梯度提升机（LGBM）分类器进行建模，并在训练队列中进行五折交叉验证。为了克服数据不平衡，模型训练结合了合成少数过采样技术和编辑近邻法（SMOTE-ENN）。模型性能通过计算曲线下面积（AUC）、准确率、灵敏度和特异性来评估其判别能力，并通过Brier评分来评估其校准性能。

图2：训练队列和测试队列中的受试者工作特性曲线

在影像组学模型中，我们识别出17个显著特征，其中1个来自左半球，16个来自右半球。这些特征包括来自小叶I-II、IV、V、VI、Crus II、VIIB、VIIIA、IX和X的形状特征、一阶特征和二阶特征。这些特征用于构建精神分裂症的诊断模型。 在训练队列中，影像组学模型显示出AUC为0.81（95%置信区间：0.76–0.87），准确率为73.8%，灵敏度为73.0%，特异性为75.4%。在测试队列中，AUC为0.89（95%置信区间：0.82–0.95），准确率为78.8%，灵敏度为88.5%，特异性为75.4%。Brier评分在训练队列中为0.23，在测试队列中为0.17，表明良好的校准性能。

表1：训练队列和测试队列中研究参与者的人口统计学和临床特征

相比之下，基于小脑形态学特征的模型表现较差，其AUC为0.66（95%置信区间：0.55–0.77），准确率为62.6%，灵敏度为59.6%，特异性为66.0%。影像组学模型在识别精神分裂症方面表现显著优于形态学模型（Delong’s检验P < 0.001）。 SHAP值分析显示，右侧小叶IX的灰度尺寸区非均匀性特征、右侧小叶V和VI的一阶能量特征是区分精神分裂症患者的关键特征。灰度尺寸区非均匀性反映了区域内信号强度的变化，较高的非均匀性表明组织结构的异常。第一阶能量特征则量化了信号强度的分布，较高的能量值与精神分裂症风险相关。

表2：区分精神分裂症参与者与健康对照的显著影像组学特征列表

进一步的相关性分析表明，右侧小叶IX的尺寸区非均匀性特征与PANSS量表中的负性因子、组织/具体因子和痛苦因子显著相关。右侧小叶V和VI的一阶能量特征与组织/具体因子显著相关。这些结果支持了“小脑病理假说”，表明小脑微观结构的异常与精神分裂症的病理机制密切相关。

影像组学模型通过分析小脑结构磁共振成像特征，在诊断精神分裂症方面表现出高度的有效性和稳健性。我们的研究结果表明，小脑后部的微电路破坏是精神分裂症的关键特征，影像组学建模在临床实践中具有支持基于生物标志物决策的潜力。

原始出处：

Bang, M., Park, K., Choi, S.-H., Ahn, S. S., Kim, J., Lee, S.-K., Park, Y. W., & Lee, S.-H. (2024). Identification of schizophrenia by applying interpretable radiomics modeling with structural magnetic resonance imaging of the cerebellum. *Psychiatry and Clinical Neurosciences*, 78(4), 287-299. https://doi.org/10.1111/pcn.13707