精神分裂症（SCZ）是一种慢性精神疾病，全球终生患病率约为1%（Goff, 2021）。该病通常在成年早期发病，其临床表现包括阳性症状（如妄想、幻觉和思维紊乱）、阴性症状（如快感缺失和社会退缩）以及认知障碍（Jauhar等人，2022；Kahn等人，2015）。2019年，世界卫生组织（WHO）将SCZ列为美国导致残疾调整生命年（DALY）的前10大原因之一，这表明该疾病对生活质量、发病率和死亡率有显著影响，突显了有效治疗策略的重要性（世界卫生组织，2019）。
SCZ的药物治疗主要依赖于抗精神病药物（Goff, 2021）。第一代抗精神病药物（FGAs）的主要作用是阻断多巴胺D2受体后突触，这常常导致锥体外系副作用。因此，第二代抗精神病药物（SGAs）已成为首选治疗手段（Lally和MacCabe, 2015）。它们的作用机制包括较弱的多巴胺D2拮抗作用和较强的5-HT2a受体拮抗作用。然而，这些化合物广泛的受体亲和性增加了其他不良反应的风险，其中代谢综合征和体重增加最为常见。最近，基于D2受体部分激动作用的三代抗精神病药物（如阿立哌唑、布瑞哌唑和卡利哌嗪）已进入临床应用（Corponi等人，2019）。
尽管可用的抗精神病药物种类不断增加，但它们主要针对的是阳性症状，而阴性症状和认知障碍通常难以改善（Correll等人，2022；Lally和MacCabe，2015）。此外，由于缺乏有用的生物标志物，治疗选择很大程度上基于临床经验，且治疗效果仍不理想，大约三分之一的患者对治疗产生耐药性（García-Gutiérrez等人，2020；Strimbu和Tavel，2010）。在这种背景下，识别治疗反应的生物标志物对于改善患者预后至关重要。这一研究领域在首次发作的精神病患者（FEP）中尤为重要，因为未经治疗的症状持续时间对患者的预后具有决定性影响（Kahn和Sommer，2015）。此外，早期治疗不足或延迟可能导致神经解剖和认知功能的改变（Kahn和Sommer，2015）。因此，治疗反应的生物标志物可以改善治疗决策，实现有效和个性化的药物管理（Fond等人，2015；H. Li等人，2020）。
磁共振成像（MRI）技术的发展为使用神经影像数据作为治疗反应预测的生物标志物提供了可能。MRI在临床神经科学研究中的应用显著增加，这得益于其非侵入性、快速采集时间和成本效益（Dazzan等人，2015）。特别是基于血氧水平依赖性（BOLD）对比的功能性MRI（fMRI）技术，可以测量供应大脑的氧合血液量的变化，这是神经元活动的指标（Lv等人，2018；Symms等人，2004）。fMRI越来越多地用于研究大脑的“功能连接性”（FC），即研究大脑不同功能区域之间的统计依赖性（van den Heuvel和Hulshoff Pol，2010）。因此，SCZ被定义为一种“连接性障碍”综合征，其特征是大规模功能网络异常，通过相对BOLD信号的变化得以检测（Liang等人，2006；Tarcijonas和Sarpal，2019；Pettersson-Yeo等人，2011）。连接性障碍假说认为，这些异常源于突触可塑性的中断，导致大规模网络通信的改变，从而影响疾病的临床特征（Friston等人，2016；Stephan等人，2009）。最常用的FC检测方法是静息态fMRI（rs-fMRI），在这种方法中，参与者不参与特定任务（van den Heuvel和Hulshoff Pol，2010；Zhao等人，2023）。由于rs-fMRI具有很强的时间稳定性和对参与者参与度要求低的特点，它成为有前景的预后生物标志物候选者（Tomasi等人，2014）。另一种常用的方法是基于任务的fMRI（t-fMRI），在图像采集过程中参与者需要执行特定动作。这种方法特别适用于研究与行为领域直接相关的认知状态（Lv等人，2018；Zhao等人，2023）。
近年来，通过应用人工智能（AI）和机器学习（ML）算法，基于fMRI的方法在预测SCZ治疗反应方面得到了广泛应用（Ambrosen等人，2020；B. Cao等人，2020）。ML是一种强大的计算方法，能够从复杂的多变量数据集中识别模式（Dwyer等人，2018；Koutsouleris等人，2016）。ML在发现支持患者特异性预测模型的新生物标志物方面具有巨大潜力，有助于推进个性化医疗。最近的多模态ML研究表明，当fMRI特征与临床和其他生物变量结合使用时，预测准确性显著提高，突显了fMRI作为联合治疗反应模型的关键组成部分（Del Fabro等人，2023）。来自fMRI的脑部标志物对于理解和预测抗精神病药物的反应特别有价值，因为fMRI直接捕捉与精神病病理生理学和抗精神病药物作用机制相关的大规模功能网络，提供了补充EEG、结构MRI和遗传标志物的信息。在这方面，需要对基于fMRI的预测因子和分析策略进行系统评估，以确定其当前效用并指导临床适用模型的开发。值得注意的是，多项使用ML预测SCZ抗精神病药物反应的研究表明，fMRI显著提高了预测准确性，优于其他神经影像或遗传预测因子（Cui等人，2021；Wang等人，2022）。
尽管有证据表明抗精神病药物可以改善大脑功能（Tandon，2011），但其背后的神经机制仍不甚清楚。Abbott等人发现，在抗精神病药物治疗过程中，特定神经区域的BOLD信号会趋于正常化，这使其成为SCZ治疗反应的潜在生物标志物（Abbott等人，2013）。Chopra等人（2021）的一项临床试验中，对FEP患者在基线时以及随机分组后3个月和12个月使用rs-fMRI进行了扫描。未接受抗精神病治疗的患者在基线时表现出广泛的功能性连接障碍，而治疗后某些特定电路的连接性正常化。他们推测，抗精神病药物可能通过影响丘脑-皮质和皮质边缘网络来恢复正常连接性。Mehta等人的系统评价和荟萃分析强调了rs-fMRI在预测抗精神病药物反应方面的潜力，因为它能够检测大脑中的特定感兴趣区域（Mehta等人，2021）。
近年来，关于抗精神病药物治疗反应的神经影像研究往往集中在特定的fMRI指标上，最近的综述（Dominicus等人，2023；Mehta等人，2021；Mehta等人，2021）探讨了基于FC的方法，并报告了大规模功能网络连接性与治疗反应之间的关联。因此，本综述的目的是通过考察广泛的fMRI方法（包括FC），提供关于它们在预测精神分裂症药物反应方面的贡献的全面和最新的概述。
