《Psychiatry Research: Neuroimaging》：Advancing precision psychiatry: Machine learning integration with neuroimaging for early detection and diagnosis of Obsessive-Compulsive Disorder
编辑推荐：
本文综述了机器学习与神经影像技术结合在强迫症早期诊断中的应用，探讨混合模型和可解释AI方法如何提升诊断准确率至90%以上，同时分析数据异质性和临床应用挑战，为精准精神病学发展提供方向。
Wijdan S. Aljebreen|Norah A. Alturaiqi|Muna I. Almushyti|Haifa F. Alhasson|Shuaa S. Alharbi
沙特阿拉伯阿尔卡西姆大学计算机学院信息技术系，Buraydah 52571
摘要
强迫症（OCD）是一种慢性精神健康疾病，其特征是侵入性思维和重复性行为。早期发现强迫症对于改善患者预后至关重要。传统的诊断方法主要依赖于主观评估，但这些评估往往存在延迟或不准确的问题。本文综述了机器学习（ML）模型的最新进展，特别是混合模型和可解释人工智能（XAI）方法，这些方法结合了结构磁共振成像（sMRI）和功能性磁共振成像（fMRI）等神经影像技术，以及生化指标和临床生物标志物。研究表明，包括支持向量机（SVM）、卷积神经网络（CNN）和深度学习混合模型在内的ML技术，其诊断准确率可超过90%。像SHAP这样的XAI方法提高了诊断的可解释性和临床信任度。尽管取得了有希望的结果，但仍存在数据集变异性、泛化能力有限和伦理问题等挑战。本文强调了多模态数据整合、可扩展模型和隐私保护框架的必要性，以支持临床应用。通过从主观评估转向基于ML的诊断，这一范式有助于实现早期发现、个性化治疗和改善预后，从而推动强迫症护理的精准化发展。
引言
强迫症（OCD）是最常见的慢性精神健康疾病之一，在沙特阿拉伯约有4%的成年人受到影响，即近130万人（卫生部，2021年）。传统的OCD诊断依赖于主观临床评估，这些评估容易出错且存在延迟，因此需要探索基于ML的客观、数据驱动的诊断方法（Veale和Roberts，2014年；Zohar和Insel，1987年）。这种疾病对患者、他们的家庭以及临床医生都带来了重大挑战，尤其是在诊断和治疗方面。
尽管OCD的确切原因尚不清楚，但研究表明其可能与遗传、神经生物学、环境和心理因素有关（Wang，2020年）。最近在神经影像技术（如结构MRI（sMRI）和功能性MRI（fMRI）方面的进展，结合机器学习（ML）方法，为检测与OCD相关的神经模式开辟了新的途径。这些数据驱动的工具使得诊断更加客观和基于生物学依据，超越了传统评估的局限性。ML算法——尤其是支持向量机（SVM）、卷积神经网络（CNN）和混合模型——能够高精度地识别皮层-纹状体-丘脑-皮层（CSTC）回路中的复杂模式。
Mahjani等人（2021年）发现OCD具有遗传成分，指出有家族病史的人群中OCD的发病率更高。神经生物学研究将OCD与眶额皮质、基底节和前扣带回皮质等关键脑区的异常联系起来，这些区域参与决策、情绪调节和恐惧处理（Norman等人，2016年）。这些异常可以通过MRI等神经影像技术检测到，为更客观和基于生物学的诊断方法提供了可能。Krause等人（2019年）的早期工作展示了使用LORETA分析进行EEG源定位以预测OCD患者治疗反应的潜力，为数据驱动的诊断方法铺平了道路。
虽然传统的OCD诊断依赖于容易出错、不一致和文化偏见的临床评估，但机器学习（ML）的最新进展提供了有希望的数据驱动替代方案。当应用于sMRI和fMRI等神经影像技术时，ML技术可以揭示与OCD相关的脑回路中的细微异常，从而实现更客观和基于生物学的诊断。图1展示了OCD患者与健康对照组（HC）大脑的PET扫描差异。尽管有这些潜力，但由于大脑结构的复杂性和大型标准化数据集的有限可用性，分析MRI数据仍面临重大挑战。作为人工智能的一个子领域，ML擅长从复杂的高维数据中提取有意义的模式，特别适合用于神经影像分析。
本综述采用结构化且透明的方法论，以确保纳入与强迫症（OCD）诊断和管理相关的高质量研究。
我们在多个学术数据库（包括PubMed、Scopus和IEEE Xplore）中进行了针对性搜索，重点关注2013年至2025年间发表的研究。搜索词包括“强迫症”、“机器学习”、“神经影像”、“fMRI”和“深度学习”。使用布尔运算符（如AND、OR）和截断来确保涵盖相关研究的全面性。此外，还手动审查了关键文章的参考文献以识别其他潜在符合条件的研究。
纳入的研究集中在使用机器学习技术进行OCD诊断或管理方面。相关研究采用了静息态功能性MRI（rs-fMRI）或sMRI等神经影像技术，或使用了氧化应激或其他生物标志物。我们优先考虑提供了关于机器学习模型的详细方法学信息，并解决了数据集变异性、泛化能力或可解释性等挑战的研究。如果研究是综述文章、观点文章或缺乏原始数据，则被排除在外。如表1所示，未明确关注OCD或缺乏定量结果和必要方法学细节的文章也被排除。这种综合策略确保了高质量和相关研究的纳入，同时排除了不符合标准的文章，从而减少了偏见并保持了方法学的严谨性。
搜索过程共找到了24项研究，分为四个主要领域：二分类（12项研究）、治疗结果预测（7项研究）、多模态方法（5项研究）和基于生物标志物的方法（4项研究）。在所有领域中，ML技术，尤其是SVM和混合模型，在诊断OCD和预测治疗反应方面始终表现出高准确率。多模态方法和基于生物标志物的模型为OCD的神经生物学机制和异质性提供了额外见解。然而，也发现了数据集变异性、泛化能力有限和伦理考虑等重大挑战，这些障碍阻碍了临床应用。这些发现强调了需要更大、更多样化的数据集和可解释的ML模型，以推进OCD诊断和精准精神病学的发展。
早期诊断在实现强迫症（OCD）和其他精神健康疾病的更好预后方面起着关键作用。及时发现可以促进早期干预，有助于减轻症状严重程度并防止对患者和家庭的长期影响（Setyawati等人，2024年；Veale和Roberts，2014年）。然而，由于OCD的多因素病因、多样的症状表现和共病情况，早期诊断仍然具有挑战性（Mahjani等人，2021年；Angst等人，2005年）。机器学习（ML）和神经影像技术（如功能性MRI（fMRI）和结构MRI（sMRI）的最新进展在应对这些挑战方面显示出巨大潜力，为OCD的诊断和理解其神经生物学基础提供了创新工具（Huang等人，2023a；Takagi等人，2017年；Mahjani等人，2021年）。
本文综述了ML在OCD应用方面的最新进展，强调了改善早期诊断和治疗的途径，最终提升患者预后并推动精准精神病学的发展。ML技术，特别是混合模型，结合多模态神经影像和生物标志物，显示出提高诊断准确性和有效预测治疗反应的潜力（Zaboski等人，2025a；Shrivastava等人，2024年；Yang等人，2025年）。这些进展突显了ML在克服传统诊断方法局限性方面的作用日益重要。本文旨在整合这些发现，探讨ML和神经影像在OCD诊断中的意义，并为未来的研究和临床应用提供路线图。
所选研究集中在使用机器学习方法进行OCD诊断上。纳入的研究使用了标准的OCD诊断标准（例如DSM-IV、DSM-5或ICD-10/11），并验证了临床工具（如耶鲁-布朗强迫症量表（Y-BOCS））。在许多情况下，由受过培训的临床医生进行了结构化访谈以确认诊断。表2列出了每项研究中使用的诊断方法。
部分摘录
用于OCD诊断的机器学习
本节介绍并讨论了使用ML能力进行OCD诊断的相关工作。
OCD诊断研究的数据集
许多研究结合了两种或更多类型的数据来识别OCD患者（Benjamin和Timms，2023年；Askland等人，2015年；Ding等人，2024年）。表5展示了每项研究中的数据类型、数据来源和数据集的可用性。值得注意的是，大多数数据集无法获取，只有一个是公开可用的。这是因为医学影像数据稀缺、保密性高且访问受限。图3显示，神经影像数据主要是
OCD诊断模型的评估指标
评估指标对于评估机器学习（ML）模型的性能至关重要，因为它们提供了模型有效性的定量度量。选择适当的指标取决于所解决的具体问题类型——无论是聚类、回归还是分类。对于分类问题，常用的指标包括准确率、敏感性、特异性、精确度和曲线下面积（AUC）。
虽然这些指标是
OCD诊断中的当前研究空白
由于OCD的复杂性和异质性，其诊断仍然是一个重大挑战。当前的OCD诊断研究常常缺乏标准化方法、可靠的生物标志物和ML技术的统一应用。填补这些空白对于提高诊断准确性和推进个性化治疗方法至关重要。
尽管在OCD诊断方面取得了显著进展，但仍存在几个关键空白。
讨论
ML技术在OCD的诊断和治疗方面具有巨大潜力。然而，数据集的变异性、泛化能力有限、可解释性约束和伦理考虑等问题继续阻碍其临床应用。本节详细探讨了这些挑战，并强调了ML在OCD诊断应用中的新兴趋势、主要障碍和未来方向。
结论
本综述的发现表明，机器学习，特别是深度学习方法，在OCD诊断方面具有革命性潜力。研究人员可以利用多模态神经影像数据（如sMRI和fMRI）和先进的混合CNN来更好地了解OCD的神经机制。这些方法不仅能够实现更好的诊断，还能克服传统临床评估的局限性。
CRediT作者贡献声明
Wijdan S. Aljebreen：撰写——初稿、可视化、验证、方法论、调查、正式分析。Norah A. Alturaiqi：撰写——初稿、可视化、验证、调查、正式分析。Muna I. Almushyti：撰写——审阅与编辑。Haifa F. Alhasson：撰写——审阅与编辑、可视化、概念化。Shuaa S. Alharbi：撰写——审阅与编辑、撰写——初稿、监督、项目管理、资金获取、概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
