精神分裂症（Schizophrenia）是一种严重的致残性精神障碍，通常在青少年晚期或成年早期发病，临床表现为情感扭曲、思维障碍及认知功能受损。近日，来自华盛顿大学、加州大学圣迭戈分校及圣迭戈退伍军人医疗系统（VA San Diego Healthcare System）的研究团队在《自然-精神健康》（Nature Mental Health）上发表研究，证实机器学习模型可通过分析神经认知测试数据，精准识别精神分裂症及分裂情感性障碍（Schizoaffective disorder）。
临床瓶颈：传统神经认知评估的“效率困境”
长期以来，精神分裂症的诊断高度依赖精神科医生的临床访谈和量表评估。虽然神经认知生物标志物（Neurocognitive biomarkers）被认为具有极高的辅助诊断价值，但传统的测试电池（Test batteries）通常包含数十项长达数小时的环节，难以在紧凑的临床门诊中普及。
为了解决这一难题，由 Robert Y. Chen 与 Tiffany A. Greenwood 领衔的研究团队试图利用机器学习技术，从复杂的神经认知维度中筛选出最具区分度的核心指标。
核心发现：机器学习实现“少即是多”的精准识别
研究团队对 559 名精神分裂症或分裂情感性障碍患者以及 745 名健康对照者（HCS）的神经认知数据进行了分析。
研究结果显示：
-
跨队列验证：该机器学习模型能以显著的准确率将患者与健康人群区分开来，且其有效性在独立队列中得到了成功复制。
-
特征递归消除（Recursive feature elimination）：通过这一算法筛选，研究人员发现并不需要完成所有 15 项繁琐测试。仅需考察两个特定的神经认知领域，即可达到与全项测试几乎同等的分类准确率。
两大关键领域：言语学习与情绪识别
研究明确指出，言语学习（Verbal learning，即学习和记忆单词的能力）与情绪识别（Emotion identification，即识别和解读他人情绪的能力）是精神分裂症及相关谱系障碍中最具预见性的认知特征。
这意味着，这两个领域的缺陷是精神分裂症和分裂情感性障碍的核心特征。这一“少即是多（Less-is-more）”的发现，为临床提供了极高效率的神经认知图谱绘制方案。
科研意义与应用前景
研究作者指出，该发现不仅揭示了这种致残性障碍中受损最严重的认知维度，也为开发简化版诊断工具提供了科学依据。
未来，这一基于 AI 的评估模式有望：
-
简化诊断流程：让精神科医生能在更短时间内完成客观的认知功能筛查，降低患者负担。
-
个性化治疗规划：帮助从业者根据患者特定的认知缺陷（如社交情绪理解障碍）制定精准的康复训练计划。
-
神经特征挖掘：为进一步利用机器学习探索特定精神障碍的神经签名（Neural signatures）提供了新的研究范式。
参考文献：Robert Y. Chen et al, Machine learning enables efficient neurocognitive profiling in patients with schizophrenia, Nature Mental Health (2026). DOI: 10.1038/s44220-025-00568-3.
编辑：王洪
排版：李丽
评论 (0)