基于多模态MRI精神分裂症脑复杂网络研究进展

精神分裂症（SZ）为慢性精神疾病，常伴感知、思维、情感、行为等多方面障碍。MRI可用于观察SZ患者脑结构及功能异常，为识别精神障碍生物标记物提供重要支持。多项研究基于多模态MRI构建脑结构及功能网络，采用人脑连接组学分析方法，发现SZ脑复杂网络异常，如最短路径长度增大、聚类系数及网络效率下降、核心节点受损等，进一步支持SZ失连接假说。本文针对SZ脑结构及功能网络、多模态网络等最新研究进行综述，探讨SZ脑复杂网络拓扑结构及属性特异性的特点，讨论现有研究方法存在的问题以及未来发展方向。     

神经精神疾病自动分类与预测研究进展

神经精神疾病的神经病理机制仍有许多未知,客观临床诊断标准也十分欠缺,其诊断与预后面临巨大挑战。随着神经影像技术的快速发展,神经影像数据被广泛应用于神经精神疾病神经病理机制的探索和潜在生物标志物的发掘。相比于实现群体水平分析的传统单变量分析方法,机器学习模型基于神经影像数据,实现神经精神疾病的个体化、智能化预测。综述近年来基于机器学习的神经精神疾病自动分类与预测研究进展,从机器学习基本原理和精神分裂症、抑郁症、阿尔兹海默症与帕金森病等4种典型神经精神疾病的最新研究成果等方面进行了总结和分析。目前,疾病自动分类与预测研究还存在着样本量小、可重复性低等局限性,未来可以通过多站点数据协同分析来提高研究的样本量。此外,深度学习和跨疾病诊断与预测也是未来研究的重要方向。