加速医学合作伙伴计划精神分裂症项目(AMP? SCZ)的多模态数据分析策略：预测临床高风险人群转归的新范式

　　编辑推荐：针对临床高风险精神病(CHR)人群转归预测的难题，国际多中心团队AMP^? SCZ通过整合43个研究中心1977例CHR个体的临床评估、神经影像(MRI/EEG)、数字标志物等多模态数据，开发了基于多核学习(MKL)和动态时间规整(DTW)的预测模型，首次实现对精神病转化(conversion)、症状缓解(remission)和持续综合征(persistent CHR)的精准预测，为早期干预和临床试验设计提供量化工具。

娑撹桨绨℃穱鍐箻缁夋垵顒熼惃鍕炊閹绢叏绱濋悽鐔哄⒖闁岸鍣伴梿鍡曠啊鏉╂瑧鐦掗弬鍥╃彿閿涘苯顩ч棁鈧懟杈ㄦ瀮閸樼喐鏋冮敍宀冾嚞閻愮懓鍤敍锟�鐠併垽妲凚ioHot缁便垹褰囬崢鐔告瀮

　　

精神病早期干预领域长期面临关键挑战：约15-19%的临床高风险精神病(CHR)个体会在2年内发展为精神障碍，但传统预测模型受限于单模态数据和小样本量，预测准确率(AUC)仅0.67-0.78。更棘手的是，50%未转化者仍会持续出现亚阈值症状和社会功能损害，而现有研究缺乏对这类异质性群体的精细化分型。

为破解这些难题，由哈佛医学院、耶鲁大学等43个国际机构组成的加速医学合作伙伴计划(AMP^? SCZ)开展了迄今最大规模的前瞻性队列研究。该项目创新性地整合了1977例CHR和640例社区对照的基线及纵向数据，涵盖临床访谈、认知测试、磁共振成像(MRI)、脑电图(EEG)、体液生物标志物、数字表型(智能手机/腕动计)等11类模态，时间跨度达2年。研究团队通过系统性分析策略开发出具有临床转化价值的预测工具，相关成果发表于《Schizophrenia》。

关键技术方法包括：1) 采用多核学习(MKL)融合不同维度的生物标志物，解决模态间异质性难题；2) 应用动态时间规整(DTW)处理异步采集的纵向数据；3) 基于北美(NAPLS-3)、欧洲(PRONIA)和亚洲(SHARP)三大队列的遗产数据(legacy data)进行预训练；4) 设立200例独立验证集确保模型泛化性。

主要研究结果：

??多模态融合提升预测效能??
通过分析SHARP队列的基线数据，比较单模态与多模态模型性能。结果显示：联合弥散加权成像平均扩散系数(DWI-MD)、认知评分和人口学特征的多核学习模型(AUC=0.73)显著优于最佳单模态模型(认知评分AUC=0.69)。特征权重分析揭示胼胝体压部(forceps major)的MD值升高是预测转化的关键神经标志物。

??纵向轨迹增强分型精度??
在NAPLS-3队列中，应用动态时间规整分析前驱症状访谈量表(SIPS)的5个阳性症状维度。基线数据仅能区分转化/非转化组(K-S检验D=0.26)，而加入2个月随访数据的DTW模型使区分度提升至D=0.37。当纳入完整随访轨迹(中位4.3年)时，区分度进一步增至D=0.39。

??临床终点的创新定义??
基于对3408例CHR个体的meta分析，确立三大核心终点：1) 12/24个月内转化为精神病(PSYCHS标准)；2) 持续6个月以上的症状缓解(CHR阈值以下)；3) 持续性CHR综合征(既未转化也未缓解)。该分类首次在单一框架内整合了传统二元转化模型忽略的功能转归维度。

??跨中心验证策略??
通过样本量分析确定：当验证集N=200时，可检测AUC≥0.7的预测效能(p<0.003)。采用"留站点出"(leave-site-out)交叉验证评估模型在13个国家间的泛化能力，并针对种族、性别等变量进行偏倚测试。

这项研究标志着精神病预测研究从单模态、短程观察向多维度、动态评估的范式转变。其创新价值体现在：1) 首次建立涵盖生物-行为-环境多层次的预测框架，为个体化干预提供靶点；2) 开发的MKL-DTW算法可处理现实临床场景中的异步多源数据；3) 通过全球最大CHR队列验证的工具可直接用于临床试验人群富集，预计可将所需样本量减少30-40%。未来，该团队计划将预测模型转化为 clinician-friendly的风险计算器，并探索数字表型在动态监测中的应用。正如通讯作者Ofer Pasternak强调："我们的目标不仅是预测谁会生病，更要识别谁能在早期干预中获益最大。"这项研究为精神病的精准预防奠定了方法学基础，其分析框架也可拓展至其他神经发育障碍的早期预测研究。

閹垫捁绁�

娑撳娴囩€瑰宓庢导锔炬暩鐎涙劒鍔熼妴濠団偓姘崇箖缂佸棜鍎禒锝堥樋閹活厾銇氶弬鎵畱閼筋垳澧块棃鍓佸仯閵嗗甯扮槐銏狀洤娴ｆ洟鈧俺绻冩禒锝堥樋閸掑棙鐎芥穱鍐箻閹劎娈戦懡顖滃⒖閸欐垹骞囬惍鏃傗敀

10x Genomics閺傛澘鎼isium HD 瀵偓閸氼垰宕熺紒鍡氬劒閸掑棜椴搁悳鍥╂畱閸忋劏娴嗚ぐ鏇犵矋缁屾椽妫块崚鍡樼€介敍锟�

濞嗐垼绻嬫稉瀣祰Twist閵嗗﹣绗夐弬顓炲綁閸栨牜娈慍RISPR缁涙盯鈧鐗哥仦鈧妴瀣暩鐎涙劒鍔�

閸楁洜绮忛懗鐐寸ゴ鎼村繐鍙嗛梻銊ャ亣鐠佹彃鐖� - 濞ｅ崬鍙嗘禍鍡毿掓禒搴ｎ儑娑撯偓娑擃亜宕熺紒鍡氬劒鐎圭偤鐛欑拋鎹愵吀閸掔増鏆熼幑顔垮窛閹貉傜瑢閸欘垵顫嬮崠鏍掗弸锟�

娑撳娴囬妴濠勭矎閼崇偛鍞撮摂瀣鐠愩劋绨版担婊冨瀻閺嬫劖鏌熷▔鏇犳暩鐎涙劒鍔熼妴锟�