可解释人工智能脑动态潜在空间揭示精神分裂症症状的小脑—前额叶特征

精神分裂症表现出多个部分独立的症状维度，包括阳性症状、阴性症状和认知障碍；然而，尚无神经影像学框架能够提供个体层面的症状严重程度标志物，同时保持解剖学上的可解释性。在此，我们提出一种基于可解释人工智能的框架，通过采用自监督对比学习，并结合一种新的归因方法定位可解码性最高的脑区，将高维静息态功能磁共振成像（rs-fMRI）动态映射至低维潜在流形，从而弥补这一空白。将该框架应用于两个相互独立的精神分裂症谱系队列后发现，无标签潜在空间能够对该障碍的多项临床特征进行个体层面的预测，包括症状严重程度和认知功能。归因图谱识别出一种疾病特异性的病理足迹，主要集中于前额叶、后部小脑和颞叶区域；这一分布不同于健康对照者所呈现的流形组织模式，后者主要由听觉、边缘和腹侧纹状体环路占主导。这些结果建立了一个具有可解释性的潜在空间框架，可用于在个体患者层面刻画精神分裂症症状的分布式神经基础，并为症状严重程度的精准解码提供一条具有解剖学依据的路径。

精神分裂症表现出多个部分独立的症状维度，包括阳性症状、阴性症状和认知障碍；然而，尚无神经影像学框架能够提供个体层面、且在解剖学上具有可解释性的症状严重程度标志物。在此，我们提出一种基于可解释人工智能的框架，通过采用一种新的归因方法定位可解码程度最高的脑区，并利用自监督对比学习将高维静息态功能磁共振成像（rs-fMRI）动态映射至低维潜在流形，从而弥补这一空白。将该框架应用于两个相互独立的精神分裂症谱系队列后发现，无标签潜在空间能够对该障碍的多项临床特征进行个体层面的预测，包括症状严重程度和认知功能。归因图谱识别出一种疾病特异性的病理印记，主要集中于前额叶、后部小脑和颞叶区域；这些区域不同于健康对照组所呈现的流形组织模式，后者主要由听觉、边缘系统和腹侧纹状体回路主导。上述结果建立了一个具有可解释性的潜在空间框架，可在个体患者层面刻画精神分裂症症状的分布式神经基础，并为症状严重程度的精准解码提供一条具有解剖学依据的路径。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.746991v1?rss=1

🏷️ 精神分裂症 可解释人工智能 静息态功能磁共振成像 脑动态潜在空间 小脑—前额叶网络 症状严重程度预测