CINP：一种纳入因果信息的框架，用于精神分裂症抗精神病药物反应的可泛化、可重复神经影像预测

背景 精神分裂症（SCZ）患者对抗精神病药物的治疗反应差异很大，因此需要预测性生物标志物来实现个体化治疗。尽管基于神经影像的预测模型（NPMs）展现出前景，但其依赖基于相关性的方法，使其易受混杂因素影响。需要一个通用框架将NPMs与生物学因果信息整合，以实现可推广且可重复的预测。方法 我们提出因果信息引导的神经影像预测（CINP）框架，该框架将孟德尔随机化得出的因果效应作为生物学先验纳入模型推断。该框架旨在通过建立受生物学约束的神经影像预测，超越纯相关性方法。为检验可行性，我们收集了来自2个独立纵向数据集的SCZ患者的多模态磁共振成像数据（北京大学第六医院：n = 37；驻马店市精神病医院：n = 58）。抗精神病药物反应通过从基线到随访的阳性与阴性症状量表（PANSS）评分下降百分比进行量化。训练CINP模型以利用神经影像数据预测个体化PANSS评分下降。模型准确性通过内部交叉验证评估，可推广性通过跨站点交叉验证评估。结果 CINP在预测抗精神病药物治疗反应方面较传统NPMs平均提高三倍。在各种神经影像模态配置中，基于白质纤维束的CINP获得了最高的预测准确性（平均r = 0.652）和跨站点可推广性（平均r = 0.551）。此外，预测特征的权重在不同数据集间高度一致（相似度 = 0.397至0.510），表明模式可重复。结论 除在预测抗精神病药物反应方面的可行性和有效性外，CINP还提供了一个灵活的计算框架，可纳入多样化的因果约束，从而在多种临床情境中实现稳健的基于神经影像的预测。

中文由 AI 翻译，仅供参考，以原文为准。