心理所研究發現通過無監督遷移學習提升精神分裂癥患者基于腦功能影像數據機器學習分類的跨中心泛化性

　　在臨床研究領域，機器學習已被廣泛用于優化腦影像數據分析和建立預測模型來對精神分裂癥患者進行分類。評估泛化性是對預測模型性能評價的重要步驟，然而對該方面問題進行探討的臨床研究卻很少。

　　為了解決這一問題，中國科學院心理健康重點實驗室神經心理和應用認知神經科學（NACN）實驗室的陳楚僑研究員與國際合作者開展了一項專門基于靜息態磁共振成像對精神分裂癥患者機器學習分類泛化性的探討。其中，研究者們采用內部驗證法和外部驗證法來分別用于評估中心內和跨中心的泛化性。

　　該研究招募了51名精神分裂癥患者和51名健康對照組作為主要數據集，34位精神分裂癥患者和27名健康對照組作為驗證集，并且采集了所有被試的靜息態磁共振成像數據和結構像數據。首先，研究者們在主要數據庫中評估中心內的泛化性，得到了0.73的正確率。接著，將主要數據庫作為訓練集，考察在訓練集中得到的預測模型跨中心泛化到驗證集中表現，得到了0.56的正確率（經置換檢驗不顯著）。最后，考慮到跨中心泛化性的表現較差，研究者基于額外未標簽數據對非監督學習算法進行更新，得到了0.70的正確率（經置換檢驗顯著）。

　　研究發現指出，未來需要更多研究的推進來促進跨多數據庫機器學習的應用。同時，在該研究中發現遷移學習優化分類的結果，強調了在建立跨樣本和中心預測模型時納入樣本相關因素的重要性。總之，該研究提示當前對于基于單個機器學習分類研究的結果應當謹慎解讀。

　　本研究受國家重點研究發展規劃項目、國家自然科學基金、北京市科學與技術領軍人才項目和中科院心理所心理健康重點實驗室的支持。

　　文章已在線發表于Human Brain Mapping：https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.24797

　　Cai, X. L.#, Xie, D. J.#, Madsen, K. H.#, Wang, Y. M., B?gemann, S. A., Cheung, E. F., ... & Chan, R. C. (2019). Generalizability of machine learning for classification of schizophrenia based on resting‐state functional MRI data. Human Brain Mapping,DOI: 10.1002/hbm.24797.