精神分裂症是一种以妄想、幻觉和思维混乱为特征的严重精神障碍，影响世界上大约0.3%-0.7%的人口。临床表现复杂多样，单纯根据临床观察诊断可能缺乏准确性和客观性。因此，迫切需要建立可靠的诊断性生物标志物，以便在精准医疗框架下开展个性化治疗。精神分裂症越来越被理解为一种大脑连接障碍。

近年来，基于图的方法如图卷积网络(GCN)已被用于探索大脑区域之间复杂的成对相似成像特征，这可以揭示大脑网络内部抽象和复杂的关系。

最近，SCHIZOPHRENIA BULLETIN刊发了Du Lei的研究，该研究利用GCN研究精神分裂症患者脑功能网络的拓扑异常。

该研究从6个单位的505名精神分裂症患者和907名对照组获得静息态功能磁共振成像数据。提取每个个体的全脑功能连接矩阵。检查了GCN相对于支持向量机(SVM)的性能，提取了有助于两种分类模型的最显著区域，研究了识别的显著区域的拓扑分布，并探索了每个显著区域的节点拓扑属性和症状严重程度之间的相关性。

对GCN和SVM分类贡献最大的10个显著区域。每个区域的大小表明贡献的大小。条形图用于说明精神分裂症患者和对照组之间拓扑特征的统计学显著差异。

1. 与SVM(80.9%)相比，GCN的分类准确率更高(85.8%)。

2. 根据特征，最具辨别性的大脑区域位于一个分布的网络中，包括纹状体区域(即壳核、苍白球和尾状核)和杏仁核。

3. 事后分析发现患者与对照组双侧壳核和苍白球节点效率有显著差异，且与阴性症状相关。

目前的研究表明，GCN可以在个体层面上对精神分裂症进行分类，并且具有很高的准确性，这为检测个体精神分裂症患者指明了一个有前景的方向。此外，在GCN模型中，纹状体区域和杏仁核是最显著的大脑区域，与阴性症状有许多显著关联。这些发现支持了包括壳核和苍白球在内的纹状体区域的拓扑结构可能代表精神分裂症阴性症状的核心神经缺陷的观点。

原文出处

Du Lei, Kun Qin, Walter H L Pinaya, Jonathan Young, Therese Van Amelsvoort, Machteld Marcelis, Gary Donohoe, David O Mothersill, Aiden Corvin, Sandra Vieira, Su Lui, Cristina Scarpazza, Celso Arango, Ed Bullmore, Qiyong Gong, Philip McGuire, Andrea Mechelli, Graph Convolutional Networks Reveal Network-Level Functional Dysconnectivity in Schizophrenia,Schizophrenia Bulletin, Volume 48, Issue 4, July 2022, Pages 881–892,https://doi.org/10.1093/schbul/sbac047.