最近的一项研究使用结构性磁共振成像（MRI）数据来预测高风险个体后续发展为精神病的风险。这一成果可能有助于精神病的早期检测。

来自ENIGMA精神病高风险临床工作组的研究人员，开发了一种利用机器学习和结构性磁共振成像（sMRI）来识别高风险发展为精神病个体的方法。这项研究已经发表在《分子精神病学》杂志上。

这项研究的核心目标是利用结构性磁共振成像（sMRI）数据开发出一种分类器，可以区分增加风险后真正发展为精神病（CHR-PS+）的个体与健康对照组（HC）。

国际研究团队收集并分析了1165名临床上有精神病高风险（CHR）的个体的MRI数据，包括144名后来发展为精神病的参与者（CHR-PS+）、793名没有发展为精神病的个体（CHR-PS-）以及228名跟踪状态不明确的个体（CHR-UNK）。另外，使用了1029名健康对照组（HCs）的数据进行比较。

为了评估分类器的性能，数据集被分成不同的子集：一个训练数据集用于构建分类器，一个测试数据集用于检查准确性，以及一个独立的确认数据集用于在新数据上进行验证。研究的一个关键方面是使用ComBat统计方法来协调各地点的MRI数据。这最大限度地减少了不同MRI机器和协议可能导致的扫描差异，从而提高了分类结果的可靠性。

研究人员表示：“分类器在训练和独立确认数据集上的准确性分别为85%和73%。”

以前的研究已经显示出，增加精神病风险的人的大脑结构存在差异，特别是中脑和上颞叶以及中脑额叶皮层的灰质减少。

在当前分析中，上颞叶、岛叶皮层和上额区被突出并识别为区分的关键部位。