集成学习识别的儿童创伤性脑损伤多模态磁共振成像生物标志物与精神病理学相关

背景：儿童创伤性脑损伤（TBI）与精神病理学症状增加相关，但导致这种易感性的神经改变仍知之甚少。本研究采用可解释机器学习方法，识别与儿童TBI相关的多模态磁共振成像（MRI）特征及其与精神病理学症状的关系。 方法：分析了青少年脑认知发展（ABCD）研究中775名9～10岁儿童的基线多模态MRI数据，其中包括365名TBI儿童和410名对照儿童。采用嵌套交叉验证的集成分类方法评估结构MRI、弥散MRI和静息态功能MRI特征。通过基于置换的特征重要性分析识别具有判别力的特征，随后在TBI组和对照组中采用偏最小二乘（PLS）回归对这些特征进行分析。 结果：各模型的分类表现均高于随机水平，准确率为0.612～0.665，曲线下面积（AUC）为0.644～0.714；在独立验证样本中的表现与此相当。共有20项涵盖三种模态的神经影像学特征被可靠地识别为具有判别力的特征，包括白质微结构、灰质体积、区域功能变异性和功能连接等指标。在TBI组中，一个显著的PLS成分与总体精神病理学评分相关（r = 0.22，置换检验p = 0.008），而对照组中未发现显著成分。共有10项判别性特征对这一关联作出了实质性贡献。 结论：儿童TBI表现出一种分布式的多模态神经影像学特征，该特征与损伤后精神病理学症状具有特异性关联。将可解释机器学习与多变量脑—行为建模相结合，可能有助于识别儿童TBI后精神疾病易感性的神经基础。

背景：儿童创伤性脑损伤（TBI）与精神病理学症状增加相关，但这种易感性背后的神经改变仍知之甚少。本研究采用可解释机器学习方法，识别与儿童TBI相关的多模态磁共振成像（MRI）特征及其与精神病理学症状的关系。

方法：分析青少年脑认知发展研究中775名9～10岁儿童的基线多模态MRI数据，其中包括365名TBI儿童和410名对照儿童。采用嵌套交叉验证集成分类方法评估结构MRI、弥散MRI及静息态功能MRI特征。通过基于置换的特征重要性分析识别具有判别力的特征，随后在TBI组和对照组中采用偏最小二乘（PLS）回归对其进行检验。

结果：各模型的分类表现均高于随机水平，准确率范围为0.612～0.665，曲线下面积（AUC）范围为0.644～0.714；在独立验证样本中的表现相当。共有20项涵盖三种模态的神经影像学特征被可靠地识别为具有判别力的特征，包括白质微观结构、灰质体积、区域功能变异性及功能连接等指标。在TBI组中，一个显著的PLS成分与总体精神病理学评分相关（r = 0.22，置换检验p = 0.008）；而在对照组中未识别出显著成分。共有10项判别性特征对这一关联作出了实质性贡献。

结论：儿童TBI表现为一种分布式的多模态神经影像学特征，该特征与损伤后的精神病理学症状具有特异性关联。将可解释机器学习与多变量脑—行为建模相结合，或有助于识别儿童TBI后精神疾病易感性的神经基础。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.01.748387v1?rss=1

🏷️ 儿童创伤性脑损伤 多模态磁共振成像 集成学习 可解释机器学习 精神病理学 脑影像生物标志物