自闭症具有高度的异质性，患者常伴随强迫症、注意力缺陷多动症等并发症，这给临床自闭症诊断和病理机制研究带来巨大的挑战。
今天，《美国精神病学杂志》期刊发表了一篇由中国科学院脑科学与智能技术卓越创新中心（神经科学研究所）、上海脑科学与类脑研究中心、神经科学国家重点实验室王征研究组与中国科学院自动化研究所赫然课题组合作完成的论文，有望提高强迫症和自闭症的诊断准确率。
这项研究整合了灵长类动物模型和精神疾病患者的功能磁共振影像数据，在国际上首次设计了猴—人跨物种的机器学习分析流程，利用从转基因猕猴模型上学习的特征，构建自闭症患者的分类器模型，进而深入解析自闭症和强迫症的神经环路机制。
研究人员表示，非人灵长类模式动物与人类在脑结构与功能方面比较接近，他们发现转基因灵长类动物模型会表现出与人类临床患者类似的症状，比如表现出重复刻板行为、社交行为障碍等类自闭症症状，而且在大脑环路上的异常也与一些自闭症患者十分相似。研究团队在这些前期工作基础上，构建了可跨物种迁移的精神疾病分类预测模型。他们先对5只转基因猕猴和11只野生型猕猴的脑功能图谱数据进行脑区筛选，识别出9个核心脑区，然后将此9个脑区一一映射到人类大脑上，并用脑区间的功能连接形成特征集合，构建了稀疏逻辑回归分类器，分别用于强迫症、自闭症和注意力缺陷多动症患者的诊断分类。
研究人员发现，这套模型区分自闭症患者和正常人的准确率达到82.14%，对人类强迫症患者的分类准确率达到78.36%。而以往人们基于影像诊断的大数据，只能达到60-70%的自闭症诊断准确率。这项研究为精神疾病的影像学精准诊断提供了新证据，为利用非人灵长类模型服务精神疾病的临床应用需求开辟了新途径。
微信客服
微信公众号
