来源：期刊VIP网 时间：
作者：刘诗晗;阚健飞;王美洁;郑长勇;陈福建;
单位：山东省戴庄医院影像科;山东省戴庄医院药学部;山东省戴庄医院精神六科;
摘要：目的 通过基于体素的形态学分析(voxel-based morphometry, VBM)，比较具有攻击暴力行为与无攻击暴力行为精神分裂症(schizophrenia, SCZ)患者之间的结构磁共振成像(structural MRI, sMRI)特征差异，并构建机器学习模型，实现对攻击暴力行为SCZ患者的早期识别预测。材料与方法 回顾性分析2023年3月至2025年6月在山东省戴庄医院住院确诊为SCZ的患者146例，其中攻击暴力行为组77例，无攻击暴力行为组69例。对比两组患者的临床指标及sMRI形态学特征差异，并构建SCZ患者攻击暴力行为的机器学习预测模型。结果 两组患者之间的临床指标差异均无统计学意义(P>0.05)；攻击暴力组的左侧岛叶皮层厚度、左侧梭状回皮层厚度、左侧岛盖部高斯曲率、右侧岛叶皮层厚度、左侧岛盖部平均曲率、右侧前额叶中后部皮层厚度低于无攻击暴力组(P<0.05)。在四种机器学习预测模型中，逻辑回归(logistic regression, LR)、决策树(decision tree, DT)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)的曲线下面积(area under the curve,AUC)分别为0.824、0.821、0.917、0.940;DeLong检验结果显示，SVM模型的预测效能最高(P<0.05)。SHAP(SHapley Additive exPlanations)分析表明，左侧岛叶皮层厚度是预测SCZ攻击暴力行为的核心特征。决策曲线分析(decision curve analysis, DCA)显示四种模型均具有较高的临床决策指导价值。结论 基于sMRI的机器学习模型可有效预测SCZ患者的攻击暴力行为，其中SVM模型的预测性能最优。
关键词：机器学习;;结构磁共振成像;;磁共振成像;;精神分裂症;;攻击暴力;;预测模型
基金资助：2025年济宁市重点研发计划项目(编号：2025YXNS114)~~
