在臨床研究領(lǐng)域，機器學(xué)習已被廣泛用于優(yōu)化腦影像數據分析和建立預測模型來(lái)對精神分裂癥患者進(jìn)行分類(lèi)。評估泛化性是對預測模型性能評價(jià)的重要步驟，然而對該方面問(wèn)題進(jìn)行探討的臨床研究卻很少。

　　為了解決這一問(wèn)題，中國科學(xué)院心理健康重點(diǎn)實(shí)驗室神經(jīng)心理和應用認知神經(jīng)科學(xué)（NACN）實(shí)驗室的陳楚僑研究員與國際合作者開(kāi)展了一項專(zhuān)門(mén)基于靜息態(tài)磁共振成像對精神分裂癥患者機器學(xué)習分類(lèi)泛化性的探討。其中，研究者們采用內部驗證法和外部驗證法來(lái)分別用于評估中心內和跨中心的泛化性。

　　該研究招募了51名精神分裂癥患者和51名健康對照組作為主要數據集，34位精神分裂癥患者和27名健康對照組作為驗證集，并且采集了所有被試的靜息態(tài)磁共振成像數據和結構像數據。首先，研究者們在主要數據庫中評估中心內的泛化性，得到了0.73的正確率。接著(zhù)，將主要數據庫作為訓練集，考察在訓練集中得到的預測模型跨中心泛化到驗證集中表現，得到了0.56的正確率（經(jīng)置換檢驗不顯著(zhù)）。最后，考慮到跨中心泛化性的表現較差，研究者基于額外未標簽數據對非監督學(xué)習算法進(jìn)行更新，得到了0.70的正確率（經(jīng)置換檢驗顯著(zhù)）。

　　研究發(fā)現指出，未來(lái)需要更多研究的推進(jìn)來(lái)促進(jìn)跨多數據庫機器學(xué)習的應用。同時(shí)，在該研究中發(fā)現遷移學(xué)習優(yōu)化分類(lèi)的結果，強調了在建立跨樣本和中心預測模型時(shí)納入樣本相關(guān)因素的重要性?？傊?，該研究提示當前對于基于單個(gè)機器學(xué)習分類(lèi)研究的結果應當謹慎解讀。

　　本研究受?chē)抑攸c(diǎn)研究發(fā)展規劃項目、國家自然科學(xué)基金、北京市科學(xué)與技術(shù)領(lǐng)軍人才項目和中科院心理所心理健康重點(diǎn)實(shí)驗室的支持。

　　文章已在線(xiàn)發(fā)表于Human Brain Mapping：https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.24797

　　Cai, X. L.#, Xie, D. J.#, Madsen, K. H.#, Wang, Y. M., B?gemann, S. A., Cheung, E. F., ... & Chan, R. C. (2019). Generalizability of machine learning for classification of schizophrenia based on resting‐state functional MRI data. Human Brain Mapping,DOI: 10.1002/hbm.24797.