精神分裂症（SZ）是一种严重精神障碍，通常发病于青春期晚期或成年早期，影响患者的行为、情感、社交能力和现实感知。本文概述了使用MRI技术开发的各种自动化诊断系统，用于对SZ进行早期准确检测。MRI具有较高的空间分辨率，是研究SZ大脑结构和功能异常的流行神经影像技术。AI技术，包括机器学习（ML）和深度学习（DL），已与MRI模态相结合，用于SZ的准确诊断。本文首先介绍了针对SZ诊断的基于AI的计算机辅助诊断系统（CADS）及其相关部分，然后讨论了SZ诊断中最重要的常规机器学习（ML）和深度学习（DL）技术。同时，本文还对ML和DL研究进行了全面比较，提到了SZ诊断中的重要挑战，并探讨了在SZ诊断未来工作中使用AI技术和MRI的可能性。最后，总结了研究结果、结论和研究发现。本文发表在Computers in Biology and Medicine杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。
温故而知新，建议结合以下脑影像机器学习及深度学习相关解读阅读,另思影可承接相关数据处理业务（直接点击，即可浏览，加微信siyingyxf或18983979082获取原文及补充材料或咨询相关业务）：
JAMA Psychiatry：早期精神病和情感阶段的临床、大脑和多层次聚类
老年抑郁症患者的神经影像学、认知、临床症状和遗传学的异质性表征
利用机器学习(HYDRA)揭示了两种精神分裂症的神经解剖学亚型
Science:使用对比机器学习方法揭示自闭症神经解剖学变异结构
基于磁共振成像的脑龄研究：可解释的人工智能的当前状态和未来挑战
神经影像研究驱动的脑龄估计作为脑疾病和健康状况识别的生物学标记
基于原始影像数据的深度学习模型预测脑龄可获得可靠的遗传生物标志物 AJP：精神分裂症患者大脑加速老化的纵向识别研究 基于全球14468名被试MRI数据特征预测脑龄和疾病的深度学习模型 AJP：有和没有内化性精神障碍的受虐女孩情绪回路延迟成熟的差异性重度抑郁症患者的脑龄
基于深度学习和自闭症脑成像数据库（ABIDE）识别自闭症谱系障碍
Radiology：皮层厚度预测轻度认知障碍转化为帕金森痴呆症
Nature子刊：基于深度学习预测家族性阿尔兹海默症患者临床前功能性脑老化
使用多元表征方法提升对大脑-行为之间关系的机器学习研究的泛化
用于临床心理学和精神病学的机器学习方法PLOS Biology：重度抑郁症多成像中心的泛化脑网络标志物Nature Medicine：持续的实验性和临床性疼痛的神经影像生物深度学习在婴儿大脑的磁共振图像分析中的作用（上）参数选择对脑卒中后失语症预测模型的影响
Nature Protocols：为解释神经成像中的机器学习模型
Biological Psychiatry: 基于多模态脑影像的个体指标预测-方法
Biological Psychiatry：自闭症的神经亚型研究进展
NPP:结构MRI数据的生理性别分类显示跨性别者女性的错误分
Molecular Psychiatry：静息态fMRI预测青少年认知能力
JAMA Psychiatry：脑影像机器学习预测精神疾病患者社会功能
1.引言
精神分裂症（SZ）是一种严重的精神疾病，对患者的大脑和日常生活产生毁灭性影响。它可能导致大脑早期发育异常，并引发幻觉、思维障碍、动力减退和认知问题等多种症状。目前尚不清楚导致这种神经紊乱的确切原因，但神经科学家认为基因与环境因素的相互作用可能是主要原因。药物治疗可以在一定程度上缓解SZ患者的心理症状，但无法完全改善他们的社会和职业活动。
据世界卫生组织（WHO）报告，全球约有2,100万人患有SZ。女性和男性的平均发病年龄分别为18岁和25岁，且男性的患病率较高。SZ在全球范围内的分布情况如图1所示。
与其他精神或认知障碍疾病一样，SZ存在多种类型。这些类型包括偏执型、青春型（或无组织型精神分裂症）、紧张型、残余型和未分化型。偏执型是SZ最常见的类型之一。在2013年，美国精神病学协会（APA）认为偏执性SZ并非独立的疾病，并将其纳入SZ范畴。青春型SZ已从DSM-5中移除，但仍被国际疾病和相关健康问题统计分类（ICD-10）所确认。未分化型SZ患者表现出多种SZ症状。残余型SZ患者症状较轻。紧张型SZ在DSM的早期版本中有介绍，但在DSM-5中被取消。鉴于这种症状在正常情况下发生，DSM-5将其归类为SZ。图2展示了不同的SZ类型及其特点。
正如前文所提及的，SZ及其类型的诊断对专科医生一直具有挑战性。此外，包括分裂情感障碍在内的一些与SZ相关的疾病与SZ具有很高的相似性。分裂情感障碍既包含SZ成分，也包含情绪障碍成分。因此，SZ的诊断对于专家来说非常复杂。
神经影像是诊断SZ的另一种方法，分为功能模态和结构模态。这些数据为专家提供了关于大脑功能和结构的基本信息，有助于诊断SZ。结构神经影像主要包括结构磁共振成像（sMRI）和弥散张量成像（DTI）两种方法，它们以高空间分辨率显示人脑的结构及其连接性。总的来说，基于MRI的结构神经影像适用于观察大脑的白质（WM）、灰质（GM）和脑脊液（CSF）组织，以及探索其异常。
诊断SZ的功能性神经影像包括脑电图（EEG）、脑磁图（MEG）、功能性近红外光谱（fNIRS）和功能MRI（fMRI）。fNIRS被认为是最具成本效益的功能性神经成像方式之一。由于此类模态的信息分辨率较低，因此它只用于有限数量的SZ诊断研究。脑磁图也是诊断SZ的一种功能模式。功能性神经影像的优点包括能够在疾病过程中准确显示大脑功能、源定位的准确性以及具有特殊的高分辨率。
EEG是一种通过在头皮上放置电极记录脑电信号的非侵入性技术。EEG面临的一个问题是确定大脑活动源的精确位置。一些研究人员使用EEG记录来诊断SZ。Jalili等人使用静息态EEG（rs-EEG）进行SZ检测。他们从HC和SZ受试者的rs-EEG信号中，通过相关矩阵提取信息，取得了令人满意的结果。此外，他们还证实，SZ患者的伽马频带比健康受试者更容易受到影响。在另一项研究中，Khare等人提出了一种基于EEG信号和混合决策支持系统的SZ检测方法。他们首先在脑电信号的预处理步骤中使用了鲁棒变分模态分解（RVMD），然后测试了优化极限学习机（OELM）方法对输入数据进行分类。结果表明，他们提出的方法在SZ检测中取得了成功。
功能磁共振成像（fMRI）是SZ诊断领域研究最多的技术之一，包括两种类型：静息态（rs-fMRI）和基于任务的（T-fMRI）。fMRI并不直接测量神经活动，而是测量血氧、体积和流量的变化。在大脑活动期间，参与活动的大脑区域的血流量高于其他区域，从而增加含氧水平。fMRI具有比EEG和其他功能模式更好的空间分辨率，有助于确定大脑中神经活动发生的位置。
如前所述，SZ是一种影响大脑功能的精神障碍。功能磁共振成像可以向医生提供关于大脑功能的基本信息。因此，fMRI在诊断这种疾病方面至关重要。
然而，MRI神经影像仍存在一些限制，给专科医生准确诊断SZ带来挑战。sMRI和fMRI模式的局限性包括：图像中存在噪声和伪影，因此在采集图像时需要尽可能保持静止以避免运动伪影；在功能磁共振成像中，由于血流动力学反应缓慢，时间分辨率相对较低，且需要更多时间来采集大量图像。这使得实时监测大脑活动变得困难。这些挑战使得医生在准确诊断SZ方面面临困难。
如今，已经提出了利用先进的图像处理和人工智能技术来帮助医生自动准确诊断SZ的计算机辅助诊断系统（CADS）。此外，机器学习（ML）和深度学习（DL）方法已被用于开发高度准确和稳定的CADS。在这项研究中，我们对使用MRI和AI技术的功能和结构模式进行SZ诊断进行了详细综述。
本文的结构安排如下：第2节介绍搜索策略。第3节讨论关于SZ检测的人工智能方法。第4节介绍了基于AI的使用MRI对SZ进行诊断的CADS方法，并对相关论文进行了综述。第5节展示了讨论部分。第6节中讨论了使用AI技术和MRI模式诊断SZ的挑战。第7节提供了使用AI技术和MRI神经成像诊断SZ的未来工作方向。最后，第8节总结了全文。
在这项研究中，我们旨在提供一个全面的综述，既涵盖了AI技术在SZ诊断中的应用，也关注了MRI模式的优势和局限性。我们希望本文能为未来研究提供指导和启示，促进更高效、准确的SZ诊断方法的发展。
2.搜索策略
本节依据首选报告项目（PRISMA）的系统综述和荟萃分析原则，选择和回顾了使用AI技术进行SZ检测的文章。在这项工作中，我们挑选了IEEE Xplore、ScienceDirect、SpringerLink和Wiley等重要的引文数据库来搜索关于精神分裂症的文章。同时，在谷歌学术中使用“精神分裂症”、“sMRI”、“fMRI”、“机器学习”、“特征提取”、“人工智能”和“深度学习”等关键词查找相关文章。本综述包含了截止至2022年3月30日被录用的论文。
本文最初筛选了201篇文章，但其中36篇不在我们研究范围内，因此被排除。另外，有24篇论文因未使用MRI数据集，以及16篇未使用AI方法而被排除。最终，有125篇论文入选本研究，并经过了仔细审查。图3描述了根据PRISMA指南选择文章的流程。表1总结了在SZ检测领域选择文章的纳入和排除标准。
图3.基于PRISMA指南的论文选择过程
表1.SZ诊断相关论文的排除和纳入标准
4.基于人工智能方法的精神分裂症CADS诊断
如今，研究人员已经开发了用于利用MRI模态影像诊断各种脑部疾病的CADS，如癫痫、ASD、多动症和SZ。CADS采用ML或DL方法实现SZ的诊断。这两类人工智能方法如图5所示。
在图5中展示的诊断SZ的ML方法里，正确选择特征提取和特征选择方法需要广泛的图像处理、特征工程和人工智能知识。从图5可以看出，在DL中，特征提取和提取/选择步骤被合并为自动特征提取步骤。与ML相比，DL的主要优点在于需要较少的领域知识，具有更智能且自动化的表达学习能力，同时在大数据研究中表现优异。
4.1 可用的MRI模态数据集
本节将介绍用于诊断SZ的免费可用的sMRI和fMRI神经影像数据集。用于SZ检测的主要公开数据集包括：Schizconnect、西北大学SZ数据和软件工具（NUSDAST）、生物医学卓越研究中心（COBRE）、功能生物医学信息学研究网络（FBIRN）、MCIC、加利福尼亚大学洛杉矶分校（UCLA）和IEEE 2014信号处理与机器学习国际研讨会（MLSP 2014）。以下是这些数据集的详细信息：
4.1.1. Schizconnect
该数据集包含了1392名受试者，用于SZ诊断。其中632人患有未诊断的疾病，215人患有广泛的SZ，384人患有严重的SZ，41人患有分裂情感障碍，10人患有双相情感障碍，44人是严重SZ患者的家庭成员，66人是未确诊障碍的家庭成员。
4.1.2. NUSDAST
此数据集可作为Schizconnect数据集站点的一部分下载。它包含来自450名SZ患者、健康对照者以及具有2年以上患病历史的家庭成员的各种神经影像学数据。神经影像数据包括：sMRI、FreeSurfer测量图和分割图。认知数据包括智力、工作记忆、情景记忆和执行表现的得分。临床数据包括人口统计学、家庭成员关系、阳性症状评估量表（SAPS）和阴性症状（SANS）评估量表。遗传数据包括20个单核苷酸多态性（SNPs）。除此数据集外，还提供了CAWorks神经影像分析软件。
4.1.3. COBRE
此数据集包括各种神经影像模式，包括来自72名SZ患者和75名健康对照（每组年龄在18-65岁之间）的rs-fMRI、sMRI、表型和其他诊断信息。
4.1.4. FBIRN
此数据集分为三个阶段，仅第二和第三阶段包含SZ患者数据。第二阶段包括87名患有DSM-5 SZ或分裂情感障碍的患者和85名年龄在18至70岁之间的健康对照。该数据集包含T1加权和T2加权对比的sMRI数据。第三阶段数据集包括DTI、sMRI、fMRI神经影像和行为数据，以及186名健康对照和176名SZ患者的临床和人口统计学评估数据。
4.1.5. MCIC
这个多站点数据集包含来自162名SZ患者和169名健康被试的各种sMRI、DTI和fMRI影像。该数据集还提供了临床和认知评估、基因检测等信息。该数据集通过COINS向公众提供。
4.1.6. UCLA
该数据集包含各种神经影像模态，包括来自130名健康被试、50名SZ患者、49名双相情感障碍患者和43名ADHD患者的T-fMRI、rs-fMRI、sMRI、扩散加权成像（DWI）和表型信息。
4.1.7. MLSP 2014精神分裂症分类挑战
MLSP数据集是在IEEE赞助下于2014年举行的一次挑战赛中引入的。该数据集包含75名健康被试和69名SZ患者的sMRI和fMRI影像数据。
4.2. sMRI和fMRI的预处理方法
本节将回顾sMRI和fMRI模态中最重要的低级预处理技术。sMRI和fMRI神经成像模式通常非常复杂、困难且耗时。基于MRI的数据最重要的问题之一是各种伪影的存在，这对医生和放射科医生准确诊断疾病类型构成严重挑战。因此，在分析基于MRI的图像时，如果不使用适当的预处理方法，对脑部疾病的诊断可能出现错误。为了解决这些问题，近年来引入了各种软件包来预处理sMRI和fMRI数据，其中最重要的是FMRIB软件库（FSL）、大脑提取工具（BET）、FreeSurfer和统计参数映射（SPM）。sMRI和fMRI神经影像的重要低级预处理技术将在以下章节中讨论。
4.2.1 标准（低级）sMRI预处理步骤
对于专家来说，sMRI模态的分析既复杂又耗时。sMRI模态预处理的最重要步骤如下：
去噪：这是sMRI模态预处理的第一步。使用离散时间小波变换（DWT）等滤波器从sMRI中去除破坏性噪声。
不均匀校正：处理MRI设备线圈损坏产生伪影的问题。
颅骨剥离：使用颅骨剥离技术去除头骨信息。
空间标准化：在处理sMRI模态时，图像被转换到标准空间（如MNI）。
强度标准化：使用强度标准化技术和不同的直方图匹配技术校正MRI扫描仪产生的强度变化。
运动校正：针对fMRI数据，对运动引起的影响进行校正，包括平移和旋转。
重新定向：解决图像不在同一方向上的问题。
分割：这是sMRI预处理的最后一步。将sMRI分割成包括白质（WM）、灰质（GM）和脑脊液（CSF）的有意义区域。
通过以上标准预处理步骤，可以有效地改善sMRI图像的质量，从而为后续的分析和诊断提供更准确的信息。
4.2.2. 标准（低级）fMRI预处理步骤
fMRI模态的预处理步骤如下：
去除前N个时间点：去除fMRI序列中的前N个时间点以减少初始扫描中可能出现的严重伪影。
时间层校正：通过使所有体素的时间序列的血氧水平依赖（BOLD）信号尽可能具有相同的参考时间，对不同扫描层进行校正。
头动校正：在fMRI预处理过程中，通过将每个时间点的图像与参考图像（通常为时间序列中的一个图像）进行对齐和调整，以减小由于受试者头部运动所引起的图像变化，从而完成头动校正。
空间归一化：受试者之间的比较需要将图像转换为标准模式或空间归一化。
空间平滑：通过计算相邻体素的BOLD信号的加权平均值来实现空间平滑。
时域滤波：使用0.08-0.09 Hz的带通滤波器对fMRI数据进行时域滤波。
以上标准fMRI预处理步骤有助于提高数据质量，从而为后续的分析和诊断提供更准确的信息。这些步骤通常需要使用诸如FSL、SPM或AFNI等神经影像处理软件来执行。
4.3. 人工智能方法
4.3.1 常规机器学习方法
基于深度学习（DL）和机器学习（ML）的计算机辅助诊断系统（CADS）之间的最重要区别在于特征提取和特征选择（如图5所示）。本节描述了用于SZ自动诊断的最重要的特征提取和特征选择步骤（见表2）。从表2和表3可以看出，相比于DL，研究人员更倾向于使用ML方法进行SZ诊断。传统ML比DL更受欢迎的主要原因是：（i）ML方法相对更为常见和广泛；（ii）即使在小数据集上也能表现良好。以下是基于ML方法的CADS部分的描述：
特征提取：特征提取是从原始数据中提取有意义特征的过程。这些特征可以是形状、纹理或其他与疾病或生物标志物相关的属性。在SZ诊断的情况下，特征提取可能包括从神经影像数据中提取脑区域的形状、体积、密度等特征。
特征选择：特征选择是从提取的特征中选择最具区分能力的特征子集的过程。通过消除冗余或无关特征，特征选择有助于提高机器学习模型的性能并减少过拟合。特征选择可以通过过滤方法、包装方法或嵌入式方法进行。
机器学习分类器：使用所选特征训练机器学习模型进行SZ诊断。常用的机器学习分类器包括支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）和朴素贝叶斯（NB）等。
总之，基于ML的CADS方法主要依赖于手动特征提取和选择，以便从神经影像数据中提取有关SZ的有用信息。相比之下，基于DL的方法通常可以自动学习和提取特征，但可能需要较大的数据集以及更强大的计算资源。
表2. 使用ML和MRI模式诊断SZ的研究总结
表3.使用DL和MRI模式诊断SZ的研究总结
4.3.1.1. 特征提取技术
特征提取是基于ML技术的SZ诊断中最重要的部分。从表2中可以注意到，使用MRI进行SZ检测所采用的最重要的特征提取技术包括：统计、纹理、非线性、图形和连接矩阵。与基于深度学习的模型相比，这些模型通常需要更少的计算资源，且更容易解释。然而，就性能而言，它们无法与基于DL的系统相媲美。
A. 统计
统计特征是最基本的特征提取技术，包括均值、方差、标准差、矩等。设计这些特征几乎不需要领域知识，但它们不会呈现复杂的特定于上下文的信息。
B. 纹理
纹理特征主要呈现数据中的上下文特定信息，是医学图像中使用的重要特征提取技术。基于灰度共生矩阵（GLCM）的方法和Gabor滤波器是最重要的纹理方法。
C. 非线性
从神经成像模态中提取非线性特征可以提高SZ诊断的性能，但它们的硬件实现是一项具有挑战性的任务。
D. 图形
用于诊断SZ的另一组特征基于图模型。在这些方法中，首先从数据中构建或提取图。然后借助图和局部图特征。这些方法也可用于选择无监督特征。图形特征的计算通常包含任何数据点的所有变量上的循环，并有效呈现了局部依赖关系。
E. 连接矩阵
连接矩阵特征提取方法是用于处理DTI和fMRI神经影像的主要特征提取方案。这些特征提供了大脑结构和功能的信息。功能连接矩阵（FCM）和结构连接矩阵（SCM）分别是用于fMRI和DTI模态的方法。一些工作使用FCM技术对MRI图像中的特征进行SZ检测。
虽然它们的任务特异性优于其他功能，但其设计比较耗时。总的来说，特征提取技术在基于ML的SZ诊断中起着关键作用，尽管它们在计算资源和性能方面的需求可能不如基于DL的方法。
4.3.1.2. 特征降维/选择方法
在设计CADS时选择适当的特征选择方法可以提高SZ的诊断性能。此外，当数据属性空间非常大时，使用适当的特征有助于降低训练系统所需的计算成本。到目前为止，已经提出了几种方法来解决特征选择问题。以下讨论了CADS中用于SZ诊断的重要特征降维和选择方法。
4.3.1.2.1. 特征降维技术
在本方法中，首先获得特征矩阵，然后将其从输入空间转移到经过降维的输出空间。在少数研究中，主成分分析（PCA）技术已被用于减少特征并提高特异性。这些方法通常比基于选择的方法更快速，并在一定程度上考虑了特征之间的关系。
4.3.1.2.2. 特征选择方法
本方法中选择并使用基本特征的最优子集。特征选择算法分为三种类型：（i）有监督，（ii）无监督，和（iii）优化器。本方法还可以用于选择一些可在测试阶段实现的特性，并消除计算不相关特性的成本。下文将对它们进行简要讨论。
有监督特征选择方法
用于选择有监督特征的方法包括基于Relief、Fisher、Chi-Squared和correlation类型的技术。以下给出了这些方法的详细信息。
A. Relief特征选择
在这种方法中，在每个步骤中从数据集中随机选择一个样本。然后，基于所选样本和两个相邻样本之间的差异来更新每个特征的相关性。如果所选样本的特征之一与同一类的相邻样本中的相似特征不同，则该特征的得分会降低。另一方面，如果所选样本中的相同特征与相反类别的相邻样本中的相似特征不同，则该特征的得分会增加。
B. Fisher特征选择
这项技术选择的特征可以最小化样本之间的类间距离，同时最大化类内样本的距离；此外，这种方法经常用于二分类问题。通过这种方法可以确定每个特征的重要性（权重）。
C. Chi-Squared特征选择
该方法试图基于Chi-Squared(卡方)检验找到与输入数据相关的特征。为了能够正确地测量数据集中的各种特征与目标属性之间的关系，
D. 基于相关性的特征选择
基于相关性的方法在CADS中被用于SZ诊断的有监督特征选择方法，表现出了优异的性能。此方法通过选择具有最大方差且冗余度最小的特征，同时去除贡献较小的基本特征来实现。
无监督特征选择方法
无监督特征选择方法，如方差、平均绝对方差、拉普拉斯分数、聚类等，在选择数据集的最佳特征方面具有一定的优势。然而，它们的表现通常不如有监督学习方法。在SZ诊断的相关研究中，凝聚层次聚类特征选择方法得到了应用。
基于优化的特征选择方法
这是用于诊断SZ的另一类特征选择技术。虽然这些方法在性能方面优越，但它们过于特定于问题，导致在实际应用中受到限制。遗传算法（GA）、蚁群优化（ACO）、二元粒子群优化（BPSO）和非支配排序遗传算法II（NSGA-II）等方法已在各种研究中用于选择用于诊断SZ的特征。表2总结了用于SZ诊断的ML研究。
如果您对脑影像机器学习数据分析感兴趣，可浏览思影科技课程及服务，另思影可承接PET相关数据处理分析业务，感谢转发支持（可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群）:
北京：
第八十届磁共振脑影像基础班（北京，4.19-24）
第二十七届脑影像机器学习班（北京，5.5-10）
第十三届任务态功能磁共振数据处理班(北京，5.24-29）
第十届影像组学班(北京，6.11-16）
南京：
第二十六届磁共振脑影像结构班（南京，4.10-15）
第十二届脑网络数据处理提高班（南京，4.22-27）
第三十二届扩散成像数据处理班(南京，5.9-14）
第八十二届磁共振脑影像基础班(南京，5.20-25）
第三十八届磁共振脑网络数据处理班（南京，6.7-12）
重庆：
第三十一届扩散成像数据处理班(重庆，4.7-12）
第七十九届磁共振脑影像基础班(重庆，4.14-19）
第九届影像组学班（重庆，5.20-25）
第八十三届磁共振脑影像基础班(重庆，6.9-14）
上海：
第七届扩散磁共振成像提高班（上海，4.14-19）
第八十一届磁共振脑影像基础班（上海，5.6-11）
第二十八届脑影像机器学习班（上海，5.14-19）
第二十五届磁共振脑影像结构班（上海，5.23-28）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI）数据处理
思影科技脑结构磁共振（T1)成像数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技定量磁敏感（QSM)数据处理业务
思影科技影像组学（Radiomics）数据处理业务
思影科技DTI-ALPS数据处理业务
思影数据ASL数据处理业务
思影科技灵长类动物fMRI分析业务
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
思影科技EEG/ERP数据处理业务
思影科技近红外脑功能数据处理服务
思影科技脑电机器学习数据处理业务
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
思影科技招聘数据处理工程师(北京，上海，南京，重庆）
BIOSEMI脑电系统介绍
Artinis近红外脑功能成像系统介绍
目镜式功能磁共振刺激系统介绍
4.3.2 深度学习方法
深度学习（DL）在神经科学领域中得到了广泛应用，用于自动诊断双相情感障碍、人格障碍、抑郁症和精神分裂症等精神障碍。如表3所示，大多数研究集中在实现各种卷积神经网络（CNN）模型以诊断SZ。选择这种方法的原因是CNN在处理二维（2D）和三维（3D）数据时具有出色的性能。研究表明，这些网络在一维医学数据上也表现良好。自动编码器（AE）、递归神经网络（RNN）、深度置信网络（DBN）、生成对抗网络（GAN）、CNNAE和CNN-RNN网络也在少数研究中使用。以下部分将对它们进行简要介绍。
4.3.2.1 卷积神经网络（CNN）
CNN已用于自动诊断SZ，包括1D-CNN、2D-CNN、Inception、GANs、CapsNet和3D-CNN。尽管这些模型被用于处理基于图像的任务，但它们的可解释性不如传统的ML模型。以下是这些模型的详细信息。
A. 1D和2D CNN
自20世纪60年代以来，计算机视觉和图像处理一直是许多研究者关注的领域。然而，由于图像的高维性，图像处理任务（如分类和分割）一直面临着挑战。2012年推出的AlexNet是一种具有2D卷积层的深度神经网络，可以高精度地完成图像分类任务。从那时起，出现了许多旨在提高先前模型性能的其他模型，如VGG、GoogleNet等。此外，还开发了其他形式的2D-CNN，使其适用于其他数据类型，如更适用于EEG的1D-CNN。这些网络设计相对简单且性能较高；但它们不像其他方法那样可以针对特定任务进行定制。图8显示了使用MRI自动检测SZ的2D-CNN架构。
B. Inception
2014年引入了VGG和GoogLeNet这两个重要的网络结构。GoogLeNet是ImageNet挑战赛的获胜者，有两个主要的想法来克服梯度消失问题。这个网络中的第一个想法是使用梯度裁剪，即在最后一层输出之外使用中间层输出进行反向传播。第二个更重要的想法是初始层（Inception）层。Inception层结合了各种尺寸的滤波器以检测数据中的不同长度，还在这些块的末端应用了一个1×1的滤波器，以减少参数数量。Inception模块与许多其他结构组合形成更复杂和强大的模型，如Inception-ResNet。Inception模型具有学习不同特征的能力，且没有显著增加参数数量，但是它们面临梯度消失的问题。
C. 生成对抗网络（GANs）
生成模型使算法能够自动生成样本的想法是创建智能模型的重要一步。然而，在生物医学数据处理中，这些模型的主要用途是增加数据集的大小。在GANs之前，已经引入了许多其他生成模型，但这些模型所生成的数据样本存在一定质量问题。除了生成新数据外，GANs还可以用作无监督学习模型。与其他生成模型相比，GANs生成的图像通常具有更好的质量，但将它们训练成大尺寸图像依然很困难。图9显示了用于使用MRI模态自动检测SZ的样本GAN架构。
图9. 用于SZ自动检测的GAN
D. CapsNet CapsNet是一种使用胶囊结构的神经网络，旨在解决传统CNN的不足之处。在CNN中，卷积层和池化层仅捕捉特征的出现情况，而胶囊层则可以捕捉特征的出现位置、方向和缩放程度等信息。这些胶囊由一组神经元组成，其中一个神经元作为胶囊的“活跃度”，表示该胶囊是否包含特征。CapsNet还使用了动态路由算法来计算胶囊之间的关系，以获得更准确的特征表示。CapsNet已在许多任务中显示出优异性能，如图像分类和物体识别。在SZ的自动诊断中，CapsNet已被用于MRI图像的分类和分割任务。
图10. 用于SZ自动检测的CapsNet流程图
E. 3D-CNN
卷积神经网络由于其较低数量的可训练参数和迁移学习，对2D和一维（1D）数据表现良好。然而，考虑到3D数据集较小的体积和大量的可训练权重参数，设计和训练神经网络并不容易。尽管如此，研究人员已经开发了许多3D-CNN模型以达到最先进的性能。对于体素数据，这些模型可以比其他模型找到更有效的空间模式。图11显示了使用MRI模态的自动化3D-CNN SZ检测的架构示意图。
4.3.2.2.递归神经网络（RNN）
时间序列和顺序数据是重要的数据类型。在处理这些数据的同时识别时间模式起着关键作用。之前开发的模型可以识别空间模式，但不适合识别时域模式。因此，提出了可以缩放以检测的时间序列的递归神经网络（RNNs）。长短时记忆网络（LSTM）和门控循环单元（GRU）是RNNs的两个重要构建模块。
4.3.2.3.自动编码器（AE）
无监督学习可以消除特征工程的所有成本。因此，AE已经被开发出来并在最近的许多工作中使用。AE试图通过最小化损失函数将数据映射到较小的潜在空间，然后返回到原始空间，在降低数据维度的同时保留数据的重要特征。近年来，已经提出了许多其他形式的AE来提高其性能，例如堆叠AE、去噪AE和稀疏AE。AE能够找到无监督的表示，可以用于各种问题设置，但它们的表示通常对分布外数据不具有鲁棒性。图12显示了使用MRI模态自动检测SZ的AE架构。
4.3.2.4.深度置信网络（DBN）
深度置信网络是一种生成模型，基于图形模型构建，由多层潜在变量组成。这些层之间有连接，但同一层之间没有连接。DBN被广泛应用于无监督学习和特征提取，并被作为比较基准用于各种问题设置。
4.3.2.5.卷积自动编码器（CNN-AE）
为了充分利用卷积层在无监督表示学习中的优势，卷积自动编码器（CNN-AE）被引入。图13显示了使用MRI进行SZ自动检测的CNN-AE架构。常规的自动编码器在输入原始数据时通常会过拟合，因为它们具有大量可学习参数且没有足够的约束。应用卷积层可以减少可学习参数的数量，使网络得到充分训练。将CNN-AE与其他模型（如稀疏AE）结合使用可以进一步提高性能。相比其他自动编码器结构，这些模型在处理图像和信号类型的数据时表现更好，但设计这样的结构仍具有一定困难。
4.3.2.6.卷积循环神经网络（CNN-RNN）
尽管RNN在发现时域模式方面很强，但在处理空间模式时表现较差。相反，CNN可以创建一个稳健的网络，能够处理具有各种特征的数据，例如生物医学信号。现今，CNN-RNN广泛应用于信号处理任务。在这些网络中，前几层的卷积层进行数据处理并提取特征；然后，这些特征被反馈到RNN层，以对输入做出最终决策。它们具有捕捉数据中时空模式的内在能力。图14显示了用于SZ自动检测的CNN-RNN网络。在该图中，可以对该网络进行特征融合等改进以获得更高的性能。
4.3.3.分类方法
分类是CADS的最后一部分。支持向量机（SVM）、随机森林（RF）和Softmax是精神分裂症诊断中广泛使用的分类方法。其中，Softmax方法仅在上述DL方法中使用。表2和表3提供了用于SZ诊断的基于ML和DL的CADS实现的详细信息。
5.讨论
本文对使用MRI影像和AI技术的SZ诊断方法进行了全面综述。虽然许多研究介绍了使用神经影像模式和AI方法诊断SZ的不同综述研究，但本文集中在MRI模态和AI（DL和ML）技术相结合的SZ诊断方面进行了综述。在本节中，将对ML和DL在SZ诊断中的使用进行全面讨论。讨论部分还包括以下几个小节：对每年SZ检测的ML和DL论文进行比较；指出每年用于SZ研究的MRI数据集的数量；对使用ML和DL技术进行SZ诊断的年度研究中的几种MRI模式进行了研究总结；总结了MRI预处理中使用的工具箱数量；最后，讨论了ML和DL技术在SZ诊断研究中的分类算法。
5.1.每年接受SZ检测的ML和DL论文的比较
为了在使用ML方法和DL方法诊断SZ的研究之间进行有效比较，本文纳入的研究均在2016年之后进行。表2和表3中使用sMRI和fMRI以及ML和DL方法对所有关于SZ诊断的研究进行了回顾。表2显示了使用ML进行SZ诊断的重要信息，包括：数据集类型、模态、预处理技术、预处理工具箱、特征提取、特征降维/选择、分类、K-Fold和评估参数。表3重点介绍了DL方法，包括DL体系结构、工具箱和分类方法。图15显示了使用MRI影像进行SZ自动检测的ML和DL发表的论文数量。
从图15可以看出，ML比DL在自动SZ检测中使用更多。这可能是因为可用的公共MRI数据集数量有限。其次，ML方法不需要强大的硬件资源，通过选择不太复杂的特征就可以实现较高性能。
5.2.每年用于SZ研究的MRI数据集的数量
从第4.1节可以注意到，有几个免费可用的数据集可用于SZ的自动诊断。每年提出的用于开发DL和ML模型的数据集数量如图16所示。从该图中可以注意到，在SZ的自动检测研究中，COBRE数据集由于正常对照组和精神分裂症数量较平衡而比其他数据集更高效、更受欢迎。
5.3.每年在SZ研究中使用的MRI神经成像模式的数量
图17显示了表2和表3中用于诊断SZ的sMRI和fMRI神经影像的类型。由此可见，rs-fMRI已经得到了广泛的应用；近年来，使用sMRI和rs-fMRI神经成像模态对SZ自动化检测进行了更多的研究。
5.4.用于诊断SZ的预处理工具箱
sMRI和fMRI模态的预处理是SZ自动检测的重要步骤。预处理技术分为低水平和高水平方法，在前面的章节中有详细描述。使用sMRI或fMRI模态的低水平预处理具有特定的标准步骤，FSL、BET、FreeSurfer和SPM工具已被引入低水平预处理。用于SZ自动诊断的预处理工具数量如图18所示。从图中可以看出，研究人员广泛使用SPM工具。
图18.用于SZ自动诊断的预处理工具数量
5.5.用于SZ诊断的ML和DL方法中的分类算法数量
图19所示为2016年后发表的论文中使用ML和DL方法自动检测SZ的分类算法的数量。从图19（a）可以看出，Softmax方法被广泛用于分类。SVM分类器被广泛用于ML方法中（图19（b））。
6.挑战
在使用AI诊断SZ方面已经进行了有价值的研究，这允许在现实世界中开发使用MRI诊断SZ的软件。本节描述了使用MRI和AI技术设计SZ自动诊断的挑战。数据约束、准确诊断、算法和硬件问题是下文讨论的主要挑战。
6.1.MRI数据集面临的挑战
研究人员已经提出了更多的ML模型用于有限数量的数据样本。其中一个挑战是，由于空间高分辨率的sMRI和DTI以及空间-时间高分辨率的fMRI数据的缺乏，阻碍了研究人员评估在SZ诊断中同时使用这些模式的有效性。另一个挑战是使用sMRI和fMRI模态准确诊断不同类型的SZ。Schizconnect数据集提供了不同类别的SZ，但受试者的数量和慢性疾病的种类非常有限，很难将其用于实际应用。其他可用的数据集只有SZ类和普通类。因此，为许多受试者和不同类型的SZ障碍提供数据集将有助于研究人员开发一个临床有用的系统。SZ的早期检测和预测是非常重要和具有挑战性的任务，但由于收集此类数据集有一定困难（需要对个体进行纵向研究和随访），相关研究很少，值得更多关注。
6.2.SZ检测的多模态数据集的挑战
缺乏多模态神经影像数据集是SZ检测研究的另一个挑战。一般来说，多模态神经影像数据在诊断大脑疾病中起着重要作用。许多临床研究已经报道了融合多种神经影像模式用于精确检测SZ，包括EEG-fMRI、fMRI-sMRI、fMRI-MEG和MRI-PET。尽管多模态融合神经影像数据有很多好处，但使用这些数据进行SZ检测对医生来说是复杂而耗时的。用于检测SZ的多模态数据集尚未提供给研究人员。多模态数据集的可用性可成为AI技术进行SZ检测的重要研究。
6.3.SZ检测的挑战
一些脑部疾病的症状与SZ相似，这使得专家很难对其进行诊断。例如，SZ在儿童早期就有类似于ASD和ADHD的症状。因此，提供不同年龄段的SZ患者的MRI数据集有助于解决这一障碍。使用先进的DL模型研究这些数据集有助于专家对SZ进行高度准确的诊断。
6.4.ML技术的挑战
另一个挑战与ML技术的使用有关。提取能够产生有效区别特征的SZ生物标志物是CADS最重要的部分。基于ML实现CADS需要大量人工智能领域的知识。在基于ML的CADS中，选择每个部分的算法来获得高度准确的SZ诊断是复杂的。然而，基于ML的CADS不是用于输入大量数据的合适工具。另一个挑战是MRI是根据各种成像协议进行的，缺乏同时处理这些数据的合适手段。这些挑战使得开发用于诊断SZ的真实软件变得相当困难。
6.5.DL技术的挑战
由于无法访问合适的数据集，研究人员无法利用先进的DL方法开发用于SZ诊断的真实软件。此外，在标准状态下，MRI数据是3D的形式，3D DL模型的实现遇到了许多限制。将DL模型中的诸多训练参数用于从MRI模态的SZ诊断，其实际实现是复杂的。
6.6.硬件方面的挑战
另外，大多数研究人员无法获得3D DL模型所需的强大硬件资源，用于诊断SZ的DL架构的开发一直具有挑战性。尽管Google Colab、亚马逊等网站为研究人员提供了高计算处理器，但像GoogleColab这样的工具内存有限，不能用于科学应用，实现这些方法并在现实世界中使用仍然会带来许多问题。
7. 未来工作
本节总结了使用MRI和AI技术诊断SZ的未来工作，分为五个部分：数据集、ML技术、DL方法、SZ治疗方法和康复工具。
7.1 数据集的未来工作
第4.1节介绍了用于SZ诊断的免费可用MRI数据集，为AI技术在SZ诊断方面的应用奠定了基础。DTI模式在诊断SZ中起着关键作用，因此，提供包括大量病例的DTI数据集将进一步促进SZ诊断研究。未来的工作将力求提供不同年龄组SZ患者的MRI数据集。
7.2 多模态神经影像数据集的未来工作
第6节指出，缺乏多模态数据集是SZ检测中的重要挑战。如前所述，EEG-fMRI、fMRI-sMRI、fMRI-MEG和MRI-PET在SZ的准确检测中起着关键作用。因此，未来工作建议提供多模态神经影像数据集。
7.3 ML方法的未来工作
本节讨论了使用ML技术诊断SZ的未来工作。表2的部分内容涉及MRI预处理技术。模糊技术在预处理sMRI和fMRI模态中具有关键作用，因此，使用模糊模型进行MRI模态预处理是未来工作的建议之一。基于模糊聚类的方法是sMRI的基本聚类方法之一。此外，使用基于连通性的模糊模型（如模糊认知图）是未来fMRI和sMRI模态预处理工作的另一个建议。
特征提取是CADS诊断SZ的关键环节。未来工作建议使用新的特征提取模型，如Fuzzy、函数连通性、有效连通性和图论等。此外，使用局部二进制模式（LBP）方法也是未来工作的一个方向。
特征选择和分类是SZ诊断的另两个关键部分。表2显示了用于诊断SZ的分类算法，大多数研究已经使用了SVM进行诊断。未来工作可以为SVM提供新的内核，以提高SZ检测的准确性。基于类型1和2的模糊理论分类模型表现良好，建议用于未来工作。此外，使用基于图论的新方法也是未来工作的一个方向。
7.4.DL方法的未来工作 本节总结了用于SZ诊断的注意力模型、分布外泛化、鲁棒表示学习、GAN等新DL模型。7.4.1.注意力模型 注意力模型试图模仿人类的认知过程，专注于模型中数据点的某些部分，而忽略其余部分。这种方法通过减少模型的参数和改变工作方式来提高性能，有助于模型的可解释性。7.4.2.分布外泛化 深度神经网络在不违反假设之前工作良好；然而，这在许多现实生活中并不适用。医学诊断中的问题主要来源于小的分布变化，这通常是由于数据收集过程中的微小变化。为这些变化创建鲁棒模型是研究的热点，被称为分布外泛化。许多方法旨在通过域对齐、DA和对抗性训练达到较高稳定性。7.4.3.鲁棒表示学习 在任何深度神经网络中，底层网络都试图学习数据表征来完成DL任务。许多研究论文都专注于通过检查和更改这些表征来提高网络性能。为了实现这一点，几项研究专注于在这些向量中寻找不同的概念，一些研究专注于学习分解表征，一些则专注于寻找数据的因果表示，这些方法还提高了模型的分布外泛化能力。7.4.4.生成对抗性网络（GANs） GANs自2014年以来就一直存在，被归类为生成模型，在生成高质量和高相似度的图像方面显示出了优越性，也被广泛用于各种医学诊断。CycleGAN、深度卷积GAN（DCGAN）和Info-GAN是SZ诊断中最常用的架构。
7.4.5 深度紧凑型CNNs 在实现DL模型时，缺乏适当的硬件资源是一个严重的挑战。最近，已经引入了需要较低的硬件资源来进行训练的深度紧凑型CNNs。这些CNNs不需要高硬件资源。主要的深度紧凑型CNNs包括Facebook-Berkeley-Nets（FBNet）、PP-LCNet、MnasNet、MobileNet和TinyNet。在未来的研究中，深度紧凑型CNNs可用于MRI模态的SZ检测。
7.5 SZ治疗方法的未来工作 治疗SZ的方法包括经颅磁刺激（TMS）和经颅直流电刺激（tDCS）。在临床应用中，首先获取患者的MRI，然后由专科医生划分大脑区域。最后，使用TMS和tDCS工具对疑似SZ有关区域进行电刺激。准确选择大脑区域并对其进行电刺激既复杂又具有挑战性。未来的工作可能涉及使用AI技术根据MRI数据划分大脑区域。这将帮助医生更准确地选择患有SZ的大脑区域，对疑似SZ相关的区域进行高度准确的电刺激，具有较低的副作用。
7.6 未来的康复工作 在欠发达国家，不同类型的SZ患者数量正在增长。缺乏分析sMRI和fMRI数据的专业医生始终是一个挑战。未来，基于DL和云计算的CADS的应用可为大脑疾病患者提供有价值的服务。sMRI或fMRI模态可以发送到储存有精确DL模型的云端。模型的运行结果将被发送到医院服务器。在与专业临床医生确认后，可以将诊断和分析结果发送给患者。
8.结论和未来工作 精神分裂症（SZ）是一种直接影响大脑的精神障碍，会导致言语和理解能力受损。本文总结了使用MRI神经影像开发的各种自动化系统，以实现SZ的早期准确检测。研究结果表明，与其他诊断方法相比，sMRI和fMRI神经影像为医生提供了关于大脑功能的重要信息，有助于准确诊断SZ。结合ML和DL技术的MRI模态已被应用于帮助临床医生准确诊断SZ。
第四节介绍了基于AI的计算机辅助诊断系统（CADS）在精神分裂症（SZ）诊断中的应用。首先，我们讨论了使用机器学习（ML）技术诊断SZ的CADS，包括数据集、预处理、特征提取、特征选择和分类方法。表2总结了使用ML技术进行SZ诊断的研究。此外，本节还全面涵盖了基于深度学习（DL）的CADS（表3）。 在第五节中，我们回顾了每年使用AI方法诊断SZ的一些研究，并讨论了在SZ诊断研究中使用的ML和DL方法的数据集数量。我们还指出了SZ诊断研究中使用的MRI神经影像模态的数量。用于SZ诊断的MRI模态的预处理工具在单独的章节中进行了总结。最后，我们讨论了使用ML和DL方法诊断SZ的分类算法。
第六节讨论了SZ诊断中的主要挑战，包括数据集局限性、SZ诊断的复杂性、ML技术、DL模型和硬件资源不足。获取大量病例的MRI数据集、多个病例的DTI模式以及不同年龄段各种SZ病例的MRI数据库的困难是关键挑战。研究人员缺乏合适的硬件资源也是关键问题。 第七节总结了利用MRI和AI技术进行SZ诊断的未来工作。未来的研究可能会解决MRI数据集、ML方法、SZ治疗方法、DL和康复工具方面的问题。根据已进行的研究，未来可能会开发使用AI技术诊断SZ的应用软件，以帮助医生快速诊断SZ。SZ诊断软件将采用最先进的DL模型和物联网技术，以解决MRI数据存储有限的问题。此外，开发基于AI算法的在线软件用于SZ诊断也将成为可能。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！
微信扫码或者长按选择识别关注思影
非常感谢转发支持与推荐
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
核磁：上海：
第七届扩散磁共振成像提高班（上海，4.14-19）
第八十一届磁共振脑影像基础班（上海，5.6-11）
第二十八届脑影像机器学习班（上海，5.14-19）
第二十五届磁共振脑影像结构班（上海，5.23-28）
重庆：
第三十一届扩散成像数据处理班(重庆，4.7-12）
第七十九届磁共振脑影像基础班(重庆，4.14-19）
第九届影像组学班（重庆，5.20-25）
南京：
第二十六届磁共振脑影像结构班（南京，4.10-15）
第十二届脑网络数据处理提高班（南京，4.22-27）
第三十二届扩散成像数据处理班(南京，5.9-14）
第八十二届磁共振脑影像基础班(南京，5.20-25）
第三十八届磁共振脑网络数据处理班（南京，6.7-12）
北京：
第八十届磁共振脑影像基础班（北京，4.19-24）
第二十七届脑影像机器学习班（北京，5.5-10）
第十三届任务态功能磁共振数据处理班(北京，5.24-29）
第十届影像组学班(北京，6.11-16）
脑电及红外、眼动：上海：
第三十一届脑电数据处理入门班（上海，4.22-27）
第六届脑电机器学习数据处理班（Matlab版本，上海，6.1-6）
第三十届近红外脑功能数据处理班（上海，6.12-17）
北京：
第十三届脑电信号数据处理提高班（北京，4.11-16）
第二十九届近红外脑功能数据处理班（北京，5.14-19）
第三十九届脑电数据处理中级班（北京，6.2-7）
重庆：
第三十二届脑电数据处理入门班（重庆，5.9-14）
第七届R语言统计班(重庆，5.31-6.4）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI）数据处理
思影科技脑结构磁共振（T1)成像数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技定量磁敏感（QSM)数据处理业务
思影科技影像组学（Radiomics）数据处理业务
思影科技DTI-ALPS数据处理业务
思影数据ASL数据处理业务
思影科技灵长类动物fMRI分析业务
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
思影科技EEG/ERP数据处理业务
思影科技近红外脑功能数据处理服务
思影科技脑电机器学习数据处理业务
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
思影科技招聘数据处理工程师(北京，上海，南京，重庆）
BIOSEMI脑电系统介绍
Artinis近红外脑功能成像系统介绍
目镜式功能磁共振刺激系统介绍
