bvFTD分类器的重训练与验证
确保分类器与当前分析流程兼容并验证其判别性能。
使用NeuroMiner v1.2在原始bvFTD发现队列中重新训练线性支持向量机分类器，采用重复嵌套10×10交叉验证、主成分分析降维，并控制性别、图像质量和总灰质体积。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
精神分裂症中类额颞叶痴呆表型：与纹状体多巴胺及铁蓄积的关联
A frontotemporal dementia-like phenotype in schizophrenia: links to striatal dopamine and iron accumulation
实验完整度
中横断面研究，整合sMRI机器学习分类、[¹⁸F]-DOPA PET、NM-MRI和QSM多模态神经影像，但无纵向或神经病理验证。
主要模型
精神分裂症患者（n=76） 健康对照（n=79） bvFTD分类器训练队列（108例bvFTD和40例健康对照）
重点核对
bvFTD分类器在发现队列重训练后的判别性能（AUROC=0.94，BAC=88.1%） bvFTD评分与纹状体Kicer的偏相关（控制年龄，r=–0.343，p=0.032，n=40） bvFTD评分与纹状体χ的偏相关（控制年龄，r=0.282，p=0.020，n=69） bvFTD评分与SN-VTA NM-CNR的偏相关（控制年龄，r=–0.202，p=0.102，n=68） 探索性分析中FDR校正分别应用于临床、PET和QSM模态
摘要
部分精神分裂症患者与行为变异型额颞叶痴呆（bvFTD）具有相似特征，包括灰质体积（GMV）相似性，提示可能存在的重叠脑机制参与了精神分裂症的疾病异质性。然而，尚不清楚具有bvFTD样GMV特征的精神分裂症患者是否也表现出bvFTD的其他特征。来自既往临床试验（NCT04038957）的76例精神分裂症患者（平均年龄31.2岁；71%为男性）接受结构磁共振成像（MRI）以测量GMV。健康对照（n=79）用于年龄相关的动态标准化。部分患者还完成了[¹⁸F]-DOPA正电子发射断层扫描（PET；n=40）以评估纹状体多巴胺合成，神经黑色素敏感MRI（NM-MRI；n=68）以评估中脑多巴胺能完整性，以及定量磁化率成像（QSM；n=69）以评估脑铁蓄积。采用先前验证的基于机器学习的GMV分类器量化每例精神分裂症患者的bvFTD样模式表达。使用相关分析检验其与神经化学、临床及药物指标的关联。较高的bvFTD评分与较低的纹状体多巴胺合成能力（r=–0.343，p=0.032）及较高的纹状体QSM值（r=0.282，p=0.020）相关，但与多巴胺能中脑的QSM或NM-MRI值无显著关联（分别为p=0.903和p=0.102）。未发现与阴性症状严重程度或药物的显著关联。表达更强bvFTD样GMV模式的精神分裂症患者表现出较低的纹状体多巴胺合成和升高的纹状体铁，二者均为bvFTD的标志性特征。这与精神分裂症的高多巴胺能模型形成对比，提示存在不同的、可能为神经退行性的机制。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 表达bvFTD样灰质体积模式的精神分裂症患者是否同时表现出bvFTD的其他生物学特征（纹状体多巴胺合成降低和脑铁蓄积）？
- 核心机制
- bvFTD样结构模式可能与皮质纹状体环路中神经退行性改变相关，表现为纹状体多巴胺合成降低和纹状体铁蓄积，且异常主要位于纹状体末端而非中脑细胞体。
- 主要证据
- 在76例精神分裂症患者中，基于机器学习的bvFTD评分与纹状体Kicer负相关（r=–0.343，p=0.032），与纹状体χ正相关（r=0.282，p=0.020），而与SN-VTA的NM-CNR和χ无显著关联。
- 研究意义
- 提示精神分裂症中存在一个与经典高多巴胺能模型不同的、可能为神经退行性的维度表型，有助于解释疾病的生物学异质性，并可能为基于机制的诊断和治疗分层提供线索。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
分类器在精神分裂症队列中的外部应用
量化每例精神分裂症患者脑结构模式与bvFTD模式的相似程度。
在应用分类器前，使用健康对照的体素分布对灰质图进行z标准化以减小域偏移，然后将分类器应用于精神分裂症患者和健康对照的sMRI数据，得到连续bvFTD评分。
神经化学与临床指标关联分析
检验bvFTD评分是否与纹状体多巴胺合成、中脑多巴胺能完整性、脑铁蓄积及临床症状相关。
使用偏Pearson相关分析（控制年龄）检验bvFTD评分与纹状体Kicer、SN-VTA NM-CNR、纹状体χ和SN-VTA χ的关联；探索性分析检验纹状体亚区、阴性症状和发病年龄；并对临床、PET和QSM模态分别进行FDR校正。
基于bvFTD评分的病例-对照与亚组比较
比较最高四分位bvFTD样评分患者与健康对照的χ或NM-CNR，并比较bvFTD样与非bvFTD样患者亚组的神经影像指标。
将患者按bvFTD评分分层，采用独立样本t检验比较最高四分位组与健康对照的相应ROI值；采用线性回归模型（协变量年龄）比较bvFTD样（n=8）与非bvFTD样（n=68）患者的初级神经影像指标；并检验SN-VTA χ与纹状体χ的相关性在组间的差异。
探索性多模态机器学习分析
探索多模态神经化学特征能否联合预测bvFTD样结构模式。
在NeuroMiner v1.2中使用支持向量机分类器区分高与低bvFTD评分患者（中位数分割），并采用支持向量回归预测连续bvFTD评分；特征集包括初级特征集（n=4）和亚区特征集（n=8），采用嵌套交叉验证（3内折和3外折，10次置换），并在每折内进行缩放和k近邻插补。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| MRI acquisition | MAGNETOM Prisma 3 T磁共振扫描仪 | Siemens Healthineers | -- |
| 64通道接收头线圈 | -- | -- | |
| PET imaging | SIGNA GE 3 T PET/MR扫描仪 | GE | -- |
| [¹⁸F]-DOPA | -- | -- | |
| 卡比多巴 | -- | -- | |
| 恩他卡朋 | -- | -- | |
| sMRI preprocessing | 计算解剖学工具箱（CAT12，版本1207） | -- | -- |
| 统计参数映射（SPM12） | -- | -- | |
| NM-MRI preprocessing | 高级归一化工具2.4.0（ANTs） | -- | -- |
| NiftyReg | -- | -- | |
| QSM preprocessing | FSL脑提取工具（BET） | -- | -- |
| QSM reconstruction | MEDI工具箱 | -- | -- |
| PET preprocessing | Piwave | -- | -- |
| FDOPA软件包 | -- | -- | |
| Classifier training and application | NeuroMiner v1.2 | -- | -- |
| Statistical analysis | MATLAB R2024b | MathWorks | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| bvFTD分类器外部应用 | 健康对照的动态体素标准化方法、不可靠体素掩蔽标准、bvFTD评分阈值确定方式 阅读提示：Methods中“External application”小节及Supplementary Fig. S1 |
| [¹⁸F]-DOPA PET数据采集与分析 | 卡比多巴150 mg和恩他卡朋400 mg口服时间（注射前1小时）、[¹⁸F]-DOPA注射活度（至多150 MBq）、采集时间95分钟、26帧重建方案、小脑参考区、运动校正和QC排除标准 阅读提示：Methods中“Neuroimaging acquisition”和“PET preprocessing”小节 |
| NM-MRI和QSM数据处理 | NM-CNR计算公式、crus cerebri参考区、QSM偶极反演算法、中脑和纹状体ROI图谱配准方法、QC排除标准 阅读提示：Methods中“MRI preprocessing”小节及Supplementary Methods |
| 神经化学与临床关联分析 | 年龄协变量、FDR校正分别在各模态内应用、探索性分析中纹状体亚区划分、阴性症状和发病年龄的变量定义 阅读提示：Methods中“Statistical analysis”小节及Table 2 |
| 探索性机器学习分析 | 中位数分割定义高/低bvFTD评分、初级和亚区特征集组成、嵌套交叉验证折数（3内折和3外折）和置换次数（10次）、缺失值插补k值（k=7）、协变量（年龄和性别） 阅读提示：Methods中“Machine-learning analysis”小节及Supplementary Table S4和S5 |