[发明专利]基于脑功能图谱进行精神疾病的个体化预测方法和系统

说明书

本发明提供了基于脑功能图谱的猴‑人跨物种迁移进行精神疾病的个体化预测方法和系统。具体地，本发明提供了一种确定精神疾病的预测模型的方法，包括步骤：(a)数据获取；(b)预处理；(c)脑区选择；(d)特征构建；(e)特征筛选；和(f)建模预测。本发明的方法和系统具有无创、准确率高、敏感性高、特异性好、便于推广等众多特点。

技术领域

本发明涉及生物信息及计算医学技术领域，更具体地涉及基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统。

背景技术

随着环境变化、生活节奏的加快、人口老龄化以及社会竞争的日益加剧，脑发育障碍(如自闭症和智力发育迟滞)、精神疾病(如抑郁症、强迫症、焦虑症等)与神经退行性疾病(如阿尔兹海默病和帕金森病)越来越严重地影响着我国各年龄层次人群的健康。临床上对此类精神疾病的诊断，目前主要依赖行为量表对患者的行为进行评估，但是精神疾病临床症状复杂，不同精神疾病之间的认知或者行为表现之间存在较大程度的表征重叠交叉，仅依赖于症状或者行为表现的诊断存在明显不足；另一方面基于行为量表诊断方法具有一定的主观性。因此临床上对精神疾病的诊断缺乏客观、可靠的诊断标准。

非人灵长类模式动物是与人类在脑功能和结构上较为接近的物种。利用非人灵长类模型研究人类脑疾病的优势在于：首先，非人灵长类动物开发的疾病模型与人类疾病相似性高；其次，非人灵长类模型致病机理相对单一，大大简化疾病模型，尽可能排除、控制与疾病无关的因素；最后，可以获取与人类可比较、相互迁移的脑功能联接图谱数据(包括磁共振成像等脑功能影像数据)，简化的猕猴疾病模型有助于理解人类脑疾病的机理，促进基础研究向临床应用的转化，为其提供有价值的线索。

近年来，随着人工智能的发展，人工智能已成功应用于自然语言理解类和医学影像识别类辅助诊断系统等领域。“人工智能+医学影像”便是计算机在医学影像的基础上，通过深度学习，完成对影像的分类、目标检测、图像分割和检索工作，协助医生完成诊断、治疗工作的一种辅助工具。Airdoc基于人工智能深度学习，通过计算机视觉图像识别技术，在医学专家指导下形成医学影像识别算法模型服务，帮助医生提高效率。美国的Arterys公司旗下的产品Arterys Cardio DL获得FDA批准，在云端使用AI辅助心脏成像，它使用深度学习来自动完成放射科医生曾经要手动执行的任务，基于常规心脏MRI图像进行自动化的心室分割，精确性可与经验丰富的医生相比。这也是第一个被FDA批准的，在临床中使用云计算和深度学习的应用。

精神疾病的临床症状复杂，患者之间病理特征复杂，异质性较高。同时，临床诊断方面缺乏客观有效的诊断标准。

因此，本领域迫切需要开发能够更有效、更早期和更准确地对精神疾病进行个体化预测方法和系统。

发明内容

本发明的目的就是提供一种更有效、更早期和更准确地对精神疾病进行个体化预测方法和系统。

在本发明的第一方面，提供了一种确定精神疾病的预测模型的方法，所述方法包括：

(a)数据获取：获取非人灵长类动物和人的功能磁共振数据；

(b)预处理：基于所述功能磁共振数据，分别计算非人灵长类动物和人的脑区之间的皮尔逊相关系数，从而分别构建非人灵长类动物和人的全脑功能连接图谱；

(c)脑区选择：基于所述预处理的非人灵长类动物的处理结果，利用基于相关的分组变量的特征选择算法，获得与病理相关的特征脑区；

(d)特征构建：基于所述脑区选择所获得的特征脑区和预处理获得的人功能连接图谱，选取与特征脑区相连的功能连接构造人的功能连接特征集合；

(e)特征筛选：基于所述特征构建所获得的功能连接特征集合，利用基于相关的特征选择算法，去除冗余特征，得到最优功能连接特征子集；和

(f)建模预测：基于所述特征筛选获得的最优功能连接特征子集，进行回归分析，从而获得精神疾病的预测模型。