基于机器学习算法，使用sMRI预测男性精神分裂症的暴力行为

背景

精神分裂症患者的暴力行为是一个重大的社会问题。早期发现SCZ患者有暴力倾向，有助于实施有针对性的干预。

方法

本研究共招募了57名男性SCZ患者。采用一般线性模型比较30例有暴力行为的SCZ患者与27例无暴力行为史的SCZ患者的结构磁共振成像(sMRI)包括灰质体积、皮质表面积和皮质厚度的差异。基于机器学习算法，将组间不同的sMRI特征整合到SCZ患者暴力预测模型中。

结果

在控制全脑容量和年龄后，一般线性模型显示，有SCZ和暴力的患者右岸厚度、下顶叶厚度和左额极体积明显小于无暴力的患者。在7种机器学习算法中，支持向量机(Support Vector machine, SVM)在区分暴力患者与非暴力患者方面表现较好，其平衡精度和曲线下面积(area under curve, AUC)分别达到0.8231和0.841。

结论

有暴力史的SCZ患者在一些大脑区域表现出皮质厚度和体积减少。基于机器学习算法，MRI结构特征有助于提高特定暴力风险SCZ患者的预测能力。

精神分裂症(SCZ)是一种使人衰弱的精神疾病，患病率为1% [1］．据报道，SCZ患者表现出暴力行为的风险更高[2，3.］．与一般人群相比，患有SCZ的人实施暴力行为的可能性要高4至6倍[4]，这可能导致对他人的严重伤害，更高的医疗费用，以及与此疾病相关的更多污名化[5］．现有的暴力风险精算评估工具预测能力有限，且SCZ地区暴力发生的确切机制尚不清楚，反映出SCZ地区暴力事件难以早期发现和干预[6］．与SCZ暴力相关的几个风险因素已经得到了很好的研究，包括男性性别、药物滥用以及童年创伤，这些因素已被用于开发基于机器学习方法的预测模型，以确定个体层面上暴力风险最高的SCZ患者[7，8，9]，但这些模型的预测能力相对不足，因为从表型评估中获得的信息有限，暴力行为的起源也是异质的[10］．例如，wang等人在之前的研究中建立了7个SCZ患者暴力预测模型，最优模型的准确率和AUC分别为62%和0.63 [11］．另一项类似研究发现，最佳预测模型在区分暴力患者和无暴力患者方面的准确率为67.8%，AUC为0.764 [12］．我们之前发表的一篇文章显示，神经网络开发的预测模型在预测男性SCZ患者暴力行为方面的AUC为0.667 [13］．因此，迫切需要可靠的标记来提高模型对SCZ暴力行为的预测能力。

结构磁共振成像(sMRI)作为一种易于获取、高分辨率和非侵入性的成像技术，已广泛应用于了解SCZ暴力的神经生物学。最近的sMRI研究证实了暴力SCZ患者的多个大脑区域，特别是额叶和颞叶的显著改变[14，15，16，17］．例如，一项皮质形态研究显示，有暴力史的SCZ患者的中枢前、顶叶、颞叶和梭状叶皮质厚度降低[18］．Kuroki等报道了有严重暴力行为史的SCZ患者的颞叶体积和岛面积明显小于无暴力行为史的患者[19］．Kumari等人的一项研究表明，与健康对照组相比，有严重暴力史的SCZ个体前扣带体积较低[20.］．另一项研究发现，较小的丘脑和杏仁核体积与暴力有关[21］．尽管在群体水平上发现的这些与暴力相关的大脑区域与暴力行为的脆弱性有关，但很难计算在个人水平上实施暴力的概率。到目前为止，使用带有sMRI特征的ML来预测SCZ个体的暴力行为的研究较少。Gou ningzhi及其同事的一项研究使用混合机器学习和多模态神经成像数据来开发SCZ个体暴力的预测模型[22］．尽管最终基于灰质体积、区域同质性(ReHo)和分数各向异性(FA)相结合的模型获得了90.67%的准确率，但由于操作时间较长，成本较高，难以在临床实践中实施。此外，他们的研究中只应用了一种形式的机器学习算法。为了获得更好的预测能力，本研究结合多种机器学习算法和MRI结构特征，建立SCZ暴力预测模型。

研究参与者

选取合肥市第四人民医院普通精神科于2021年7月至2021年12月收治的符合国际疾病分类-10 (ICD-10)诊断标准的SCZ男性患者57例。所有参与者根据他们在入院前是否有暴力行为被分为暴力组和非暴力组。暴力组为30例，非暴力组为27例，无暴力史。所有参与者都是右撇子，没有酒精或物质使用障碍，也没有神经疾病。排除了头部损伤、诊断为其他精神疾病或MRI禁忌症的个体。

暴力行为的定义

SCZ患者的攻击表现使用改良的公开攻击量表(MOAS)进行评估，该量表有四个子量表(言语攻击、对物体的攻击、对自己的身体攻击和对他人的身体攻击)和五分制评分系统(0-4)。MOAS的加权总分=言语攻击× 1 +对财产的攻击× 2 +对自己的身体攻击× 3 +对他人的身体攻击× 4。暴力行为定义为MOAS加权总分≥5 [23，24］．

sMRI采集和后处理

大脑结构图像采集于合肥市第四人民医院配备8通道相控阵头部线圈的3.0 T GE Signa上。t1 -加权MRI扫描参数如下:重复时间= 8.5 ms;回波时间= 3.2 ms;反转时间(TI) = 450 ms;翻转角(FA) = 12°;视场(FOV) = 256毫米× 256毫米;矩阵大小= 256 × 256;切片厚度= 1mm;没有间隙;体素大小= 1 mm × 1 mm × 1 mm; 188 sagittal slices; and acquisition time = 296 s. During scanning, all participants were instructed to relax, remain awake with their eyes closed, and move as litter as possible. The earplugs were provided to lessen scanner noise and the sponge pads placed in the coil to minimize head movement. The MRI images of all subjects were checked by an experienced neuro-radiologist and no obvious gross abnormalities were detected. The MRIcron software was used to convert 3DT1WI into NIFIT. The same FreeSurfer software (version 5.3.0) installed in the same Ubuntu Linux version (3.2.0–29-generic) was employed to construct cerebral cortex in this study. The processing procedures produced accurate representations of the cortical surfaces through both intensity and continuity information from the entire three-dimensional MR volume in segmentation and deformation procedures. Recon-all, as one of the core commands of FreeSurfer software, was used to perform the FreeSurfer cortical reconstruction process and to calculate gray matter volume, cortical surface area and cortical thickness of right and left cerebral hemispheres in this study. According to Desikan-Kiliany-Atlas, each cerebral hemisphere was divided into 34 brain regions.

预测模型的开发

本研究采用7种机器学习算法，包括支持向量机(svm)、k-近邻(knn)、随机森林(rf)、广义线性模型网(glmnet)、rpart、惩罚判别分析(pda)、神经网络(nnet)来建立预测模型。共有57名男性参与者按照1:1的比例被随机分为训练集和测试集。为了抵消过拟合，在训练集中进行十次交叉验证，将所有被试随机分为十次相等的折叠，其中九次用于训练模型，其余折叠作为验证集。这个过程重复10次。训练集用于通过学习自动调整模型参数，验证集用于选择最优模型，测试集仅用于评估其性能和最终算法的泛化性。为了尽可能避免训练/验证/测试数据集的泄漏，我们采取了一些措施，包括删除整个数据中缺失的变量或值，随机分离训练集和测试集，选择形态学特征，整个数据中没有重复，使用十倍交叉验证等。在测试集中，使用以下指标评估每个预测模型的性能:AUC: AUC的值范围为0到1;准确性、敏感性和特异性。比较了7种ML算法，最终选择AUC值最高的算法作为SCZ暴力的最优模型。预测模型的建立和性能在r4.0.5中进行。

统计分析

采用SPSS 16.0进行统计分析。对于人口统计信息，连续变量以均值(标准差)表示，并与t以及。此外，分类变量使用计数(百分比)描述，并使用卡方检验进行分析。在控制全脑容量和年龄后，采用一般线性模型比较各组脑灰质体积、皮质表面积和皮质厚度的差异。对于多重比较校正，使用错误发现率(FDR)。调整P< 0.05为有显著统计学意义。

暴力和非暴力群体的人口特征总结在表中1．与没有暴力史的患者相比，有暴力史的患者全脑容量显著减少。暴力患者的年龄明显高于没有暴力的患者。两组受教育程度、婚姻状况差异无统计学意义。

在控制了全脑灰质体积和年龄后，一般线性模型显示，SCZ和暴力患者的右岸和下顶叶皮层厚度以及左额极皮质体积均较无暴力患者明显减少(表2)2）.

这些不同的大脑结构，包括左额极体积以及右岸和下顶叶皮层厚度，被视为机器学习分类的特征。在7个预测模型中，SVM被认为是SCZ暴力的最优预测算法，其均衡精度为0.8231,AUC为0.84103.和无花果。1）.

本研究的主要发现是，在控制了全脑容量和年龄后，与没有暴力史的人相比，有暴力史的SCZ个体在涉及情感和认知处理的几个大脑区域，包括左额极体积、右岸和下顶叶皮层厚度，都有所减少。随后，利用这些组间不同的大脑结构，利用机器学习方法建立SCZ患者暴力行为的预测模型。最终，建立了7个预测模型。相互比较，SVM的平衡精度为0.8231,AUC为0.841，性能最好。

在本研究中，与无暴力史的SCZ患者相比，有暴力史的SCZ患者的全脑容量减少，这与以往的研究结果一致[25，26，这表明与全脑容量减少有关的某些一般认知障碍可能与暴力有关。此外，我们还发现与暴力的神经病理学有关的几个区域异常，包括左额极、右岸和下顶叶区域。有暴力行为史的SCZ患者额极灰质体积较无暴力行为的患者减少，这与另一项研究一致[27］．这表明包括额叶在内的前额叶皮层的变化可能与暴力行为的病理生理学有关。前额皮质被认为在执行能力中扮演着重要的角色，包括抑制、情绪和运动的调节。该区域的损伤或功能障碍可能会中断向边缘系统发送抑制性输入，该系统由海马体和海马旁回组成，并增加不受管制行为的风险[28]，推测该地区可被视为暴力的结构性标志[29］．颞叶与情绪处理有关，其异常与SCZ精神病、幻觉和妄想的发作有关[30.，31］．妄想作为《SCZ》的重要特征之一一直与暴力行为密切相关[32］．此外，颞叶异常与暴力的关系也得到了其他证据的支持，这些证据表明，颞叶的改变会导致攻击控制能力受损和冲动性增加，这属于典型的反社会人格障碍的几个方面[30.，33］．我们还发现，有暴力史的SCZ受试者右顶叶皮层厚度下降，这是默认模式网络(DMN)的一部分，与没有暴力行为的受试者相比，DMN负责自我参照和反思活动，以及关注内部和外部刺激，这与之前的研究结果一致[34，35］．综上所述，大脑的结构体积与神经元的大小、密度和排列密切相关，其变化可能导致大脑相关区域回路的破坏[35，这表明异常的神经发育对精神分裂症暴力的神经生物学至关重要。

在我们的研究中，我们发现SVM适用于结构性MRI数据，在区分暴力与非暴力SCZ患者方面比其他六种机器学习算法有更好的预测性能，其平衡精度和AUC分别达到0.8231和0.841，与之前的研究结果相似，SVM在神经影像学方面有很好的结果[36］．可能的原因是SVM属于机器学习算法之一，可以处理高维数据，捕捉非线性变量关系。考虑到神经成像数据可能是非线性的，SVM能够获得比其他算法更好的性能[37］．迄今为止，使用神经成像数据预测SCZ患者暴力风险的研究很少。唯一一项研究使用多模态MRI和SVM来识别暴力高危SCZ患者。基于灰质体积单模态的模型精度为77.33%，AUC为0.80 [22］．预测能力不同的原因可能是我们的模型包含了更多的皮层形态特征，即皮层表面积、灰质体积和皮层厚度，以提高对暴力风险较大的患者的识别能力。此外，也有一些研究结合机器学习算法和人口统计学和临床数据来区分暴力患者和非暴力患者，但预测模型的性能并不理想[11，12，13］．在本研究中，整合结构MRI特征的预测模型表现出良好的性能。上述证据表明，由于皮质体积、面积和厚度的解剖学分辨率较高，结构MRI特征可以作为生物基础的预测标志物。

需要考虑几个限制。首先，我们的样本量相对较小，未来的研究应该招募更多的参与者，以提高预测SCZ暴力的能力。第二，我们登记的SCZ住院患者正在接受药物治疗。尽管药物对皮质形态的影响尚不清楚，但抗精神病药物治疗可能会影响SCZ患者的大脑结构。为了验证我们的结果，未来的研究应在首次发作、未用药的SCZ患者中进行。第三，目前的研究缺乏外部验证，这可能会限制我们研究结果的泛化。今后的研究应在另一个样本中进行外部验证。第四，男性SCZ患者建立的模型不适用于女性个体。考虑到男性和女性患者大脑结构和危险因素的差异，需要在未来的研究中建立基于性别的模型。

综上所述，目前的研究显示暴力患者和无暴力患者的皮质形态存在差异。基于这些不同的脑结构区域，利用机器学习方法建立了7个预测模型。SVM在识别有暴力史的SCZ个体时表现更好，说明基于机器学习算法，sMRI特征可以提高模型的预测能力。

支持本研究结果的数据可从合肥市第四人民医院获得，但这些数据的可用性受到限制，这些数据是在当前研究的许可下使用的，因此不能公开获取。然而，在合肥市第四人民医院的许可下，作者合理要求提供数据。

SCZ:

精神分裂症

sMRI:

结构磁共振成像

恐鸟:

改良的公开攻击量表

AUC:

ROC曲线下面积

ReHo:

地区同质性

费尔南多-阿隆索:

分数各向异性

诊断结果:

《国际疾病分类

支持向量机:

支持向量机

罗斯福:

错误发现率

ML:

机器学习

感谢合肥市第四人民医院的支持。

本研究由合肥市第四人民医院(HFSY202102)和安徽省科技厅(201904a0702009)资助。

作者指出

1. 余涛和裴文智对这项工作同样做出了贡献。

作者及隶属关系

1. 安徽省精神卫生中心;安徽医科大学附属心理医院;合肥市第四人民医院;安徽省精神疾病临床研究中心，安徽合肥230022

   余涛，裴文智，徐春元，张旭来

2. 安徽省妇幼保健院，安徽合肥230022

   陈忱邓

贡献

陶宇收集相关数据，设计研究，分析数据，撰写稿件。张旭来提供了资金支持。裴文智收集了相关资料。徐春元提供技术支持。邓晨晨编辑稿件。作者阅读并批准最终的手稿。

相应的作者

对应到Xulai张或陈忱邓．

伦理批准并同意参与

本研究由合肥市第四人民医院伦理委员会批准(HSY-IRB-YJ-LWTG-YT003)。所有参与者提供书面知情同意书。所有程序都符合负责人体实验的委员会的道德标准和《赫尔辛基宣言》。

发表同意书

不适用。

相互竞争的利益

所有作者都声明他们没有利益冲突。

出版商的注意

施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。

开放获取本文遵循知识共享署名4.0国际许可协议，允许以任何媒介或格式使用、分享、改编、分发和复制，只要您对原作者和来源给予适当的署名，提供知识共享许可协议的链接，并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中，除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中，并且您的预期使用不被法定法规所允许或超出了允许的使用范围，您将需要直接获得版权所有者的许可。如欲查看本牌照的副本，请浏览http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献弃权书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条所提供的资料，除非在资料的信用额度中另有说明。

转载及权限