精神分裂症亚型的进步:神经成像中机器学习应用的系统审查
Konstantinos Anargyros1,2, Konstantinos Lazaros3, Dimitris Kontis4
14th Inpatient Psychiatric Department & Cognitive Rehabilitation Unit, Psychiatric Hospital of Attica, Athens, Greece. kanargyros@ionio.gr.
Advances in experimental medicine and biology
|November 22, 2025
概括
机器学习和神经成像基于神经生物学识别出不同的精神分裂症亚型,帮助个性化治疗. 为了临床应用,需要进行更大,纵向研究的进一步研究.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 人工智能的人工智能
背景情况:
- 由于精神分裂症的复杂性,精神分裂症在诊断和治疗中呈现出各种症状和挑战.
- 使用神经成像和机器学习 (ML) 的数据驱动子类型提供了一条通往个性化患者护理的道路.
- 最近的进展使得精神分裂症可以分为不同的亚型.
研究的目的:
- 系统地审查使用机器学习和神经成像用于精神分裂症亚型的研究.
- 识别神经生物学标记,区分精神分裂症亚型.
- 评估精准精神病学在精神分裂症治疗中的潜力.
主要方法:
- 根据PRISMA指南进行了系统的文献审查.
- 搜索涵盖了从2019年1月到2024年9月在PubMed,Web of Science和Scopus上的研究.
- 包括使用ML技术 (例如SVM,聚类) 与神经成像 (例如MRI,fMRI,DTI) 进行精神分裂症亚型的研究.
主要成果:
- 基于机器学习的亚型化揭示了精神分裂症的独特的神经解剖学,功能和炎症亚组.
- 亚型的特征是炎症标记物,功能连接性和灰质体积的变化.
- 这些已识别的亚型与症状严重程度和治疗反应相关,突显了精神分裂症的异质性.
结论:
- 基于ML的亚型化揭示了精神分裂症的各种神经生物学表现,这对精确精神病学至关重要.
- 这些发现支持对精神分裂症的个性化治疗策略.
- 未来的研究应该通过多式成像来解决方法学上的局限性,在更大的,多地点的纵向研究中,以提高临床适用性.
