精神分裂癥（SZ）是一種嚴(yán)重精神障礙，通常發(fā)病于青春期晚期或成年早期，影響患者的行為、情感、社交能力和現(xiàn)實(shí)感知。本文概述了使用MRI技術(shù)開發(fā)的各種自動(dòng)化診斷系統(tǒng)，用于對SZ進(jìn)行早期準(zhǔn)確檢測。MRI具有較高的空間分辨率，是研究SZ大腦結(jié)構(gòu)和功能異常的流行神經(jīng)影像技術(shù)。AI技術(shù)，包括機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL），已與MRI模態(tài)相結(jié)合，用于SZ的準(zhǔn)確診斷。本文首先介紹了針對SZ診斷的基于AI的計(jì)算機(jī)輔助診斷系統(tǒng)（CADS）及其相關(guān)部分，然后討論了SZ診斷中最重要的常規(guī)機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）技術(shù)。同時(shí)，本文還對ML和DL研究進(jìn)行了全面比較，提到了SZ診斷中的重要挑戰(zhàn)，并探討了在SZ診斷未來工作中使用AI技術(shù)和MRI的可能性。最后，總結(jié)了研究結(jié)果、結(jié)論和研究發(fā)現(xiàn)。本文發(fā)表在Computers in Biology and Medicine雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群，原文也會(huì)在群里發(fā)布)。
溫故而知新，建議結(jié)合以下腦影像機(jī)器學(xué)習(xí)及深度學(xué)習(xí)相關(guān)解讀閱讀,另思影可承接相關(guān)數(shù)據(jù)處理業(yè)務(wù)（直接點(diǎn)擊，即可瀏覽，加微信siyingyxf或18983979082獲取原文及補(bǔ)充材料或咨詢相關(guān)業(yè)務(wù)）：
JAMA Psychiatry：早期精神病和情感階段的臨床、大腦和多層次聚類
兒童和青少年精神病學(xué)的轉(zhuǎn)換機(jī)器學(xué)習(xí)
深度學(xué)習(xí)在自閉癥譜系障礙神經(jīng)成像診斷和康復(fù)中的應(yīng)用
使用多模態(tài)機(jī)器學(xué)習(xí)方法探索精神疾病和額顳葉癡呆之間的聯(lián)系
老年抑郁癥患者的神經(jīng)影像學(xué)、認(rèn)知、臨床癥狀和遺傳學(xué)的異質(zhì)性表征
利用機(jī)器學(xué)習(xí)(HYDRA)揭示了兩種精神分裂癥的神經(jīng)解剖學(xué)亞型
精神病學(xué)小數(shù)據(jù)和大數(shù)據(jù)的深度學(xué)習(xí)
Science:使用對比機(jī)器學(xué)習(xí)方法揭示自閉癥神經(jīng)解剖學(xué)變異結(jié)構(gòu)
用于阿爾茨海默癥分期早期檢測的多模態(tài)深度學(xué)習(xí)模型
深度學(xué)習(xí)在靜息態(tài)功能磁共振成像中的應(yīng)用
腦影像中的深度學(xué)習(xí)研究：前景與挑戰(zhàn)
基于磁共振成像的腦齡研究：可解釋的人工智能的當(dāng)前狀態(tài)和未來挑戰(zhàn)
BrainAGE作為大腦老化的神經(jīng)影像標(biāo)志物的十年
神經(jīng)影像研究驅(qū)動(dòng)的腦齡估計(jì)作為腦疾病和健康狀況識別的生物學(xué)標(biāo)記
基于原始影像數(shù)據(jù)的深度學(xué)習(xí)模型預(yù)測腦齡可獲得可靠的遺傳生物標(biāo)志物 AJP：精神分裂癥患者大腦加速老化的縱向識別研究 基于全球14468名被試MRI數(shù)據(jù)特征預(yù)測腦齡和疾病的深度學(xué)習(xí)模型 AJP：有和沒有內(nèi)化性精神障礙的受虐女孩情緒回路延遲成熟的差異性重度抑郁癥患者的腦齡
基于深度學(xué)習(xí)和自閉癥腦成像數(shù)據(jù)庫（ABIDE）識別自閉癥譜系障礙
Radiology：皮層厚度預(yù)測輕度認(rèn)知障礙轉(zhuǎn)化為帕金森癡呆癥
阿爾茨海默病及其先兆分期的神經(jīng)影像分類研究及相關(guān)特征提取
Nature子刊：基于深度學(xué)習(xí)預(yù)測家族性阿爾茲海默癥患者臨床前功能性腦老化
機(jī)器學(xué)習(xí)在重度抑郁癥患者中的應(yīng)用：從分類到治療結(jié)果預(yù)測
基于功能磁共振成像數(shù)據(jù)的機(jī)器學(xué)習(xí)對精神分裂癥進(jìn)行分類
使用多元表征方法提升對大腦-行為之間關(guān)系的機(jī)器學(xué)習(xí)研究的泛化
用于臨床心理學(xué)和精神病學(xué)的機(jī)器學(xué)習(xí)方法PLOS Biology：重度抑郁癥多成像中心的泛化腦網(wǎng)絡(luò)標(biāo)志物Nature Medicine：持續(xù)的實(shí)驗(yàn)性和臨床性疼痛的神經(jīng)影像生物深度學(xué)習(xí)在嬰兒大腦的磁共振圖像分析中的作用（上）參數(shù)選擇對腦卒中后失語癥預(yù)測模型的影響
大腦數(shù)據(jù)分類時(shí)意外過擬合的危險(xiǎn)
機(jī)器學(xué)習(xí)在靜息態(tài)功能磁共振成像中的應(yīng)用
有監(jiān)督機(jī)器學(xué)習(xí)在系統(tǒng)神經(jīng)科學(xué)中的作用
Nature Protocols：為解釋神經(jīng)成像中的機(jī)器學(xué)習(xí)模型
Biological Psychiatry: 基于多模態(tài)腦影像的個(gè)體指標(biāo)預(yù)測-方法
Biological Psychiatry：自閉癥的神經(jīng)亞型研究進(jìn)展
PNAS:灰質(zhì)年齡預(yù)測作為癡呆風(fēng)險(xiǎn)的生物標(biāo)志物
BRAIN：用于阿爾茨海默病分類的可解釋深度學(xué)習(xí)框架的開發(fā)
NPP:結(jié)構(gòu)MRI數(shù)據(jù)的生理性別分類顯示跨性別者女性的錯(cuò)誤分
基于影像學(xué)和定量感覺測試預(yù)測慢性疼痛的治療結(jié)果
識別最優(yōu)的數(shù)據(jù)驅(qū)動(dòng)特征選擇方法以提高分類任務(wù)的可重復(fù)性
Neuron腦影像機(jī)器學(xué)習(xí)：表征、模式信息與大腦特征
Molecular Psychiatry：靜息態(tài)fMRI預(yù)測青少年認(rèn)知能力
JAMA Psychiatry：腦影像機(jī)器學(xué)習(xí)預(yù)測精神疾病患者社會(huì)功能
AJP:基于腦網(wǎng)絡(luò)的可卡因戒斷預(yù)測
基于機(jī)器學(xué)習(xí)的情緒障礙診斷：功能網(wǎng)絡(luò)預(yù)測藥物反應(yīng)
腦影像特征預(yù)測散發(fā)性阿爾茨海默病癥狀發(fā)作時(shí)間
1.引言
精神分裂癥（SZ）是一種嚴(yán)重的精神疾病，對患者的大腦和日常生活產(chǎn)生毀滅性影響。它可能導(dǎo)致大腦早期發(fā)育異常，并引發(fā)幻覺、思維障礙、動(dòng)力減退和認(rèn)知問題等多種癥狀。目前尚不清楚導(dǎo)致這種神經(jīng)紊亂的確切原因，但神經(jīng)科學(xué)家認(rèn)為基因與環(huán)境因素的相互作用可能是主要原因。藥物治療可以在一定程度上緩解SZ患者的心理癥狀，但無法完全改善他們的社會(huì)和職業(yè)活動(dòng)。
據(jù)世界衛(wèi)生組織（WHO）報(bào)告，全球約有2,100萬人患有SZ。女性和男性的平均發(fā)病年齡分別為18歲和25歲，且男性的患病率較高。SZ在全球范圍內(nèi)的分布情況如圖1所示。
與其他精神或認(rèn)知障礙疾病一樣，SZ存在多種類型。這些類型包括偏執(zhí)型、青春型（或無組織型精神分裂癥）、緊張型、殘余型和未分化型。偏執(zhí)型是SZ最常見的類型之一。在2013年，美國精神病學(xué)協(xié)會(huì)（APA）認(rèn)為偏執(zhí)性SZ并非獨(dú)立的疾病，并將其納入SZ范疇。青春型SZ已從DSM-5中移除，但仍被國際疾病和相關(guān)健康問題統(tǒng)計(jì)分類（ICD-10）所確認(rèn)。未分化型SZ患者表現(xiàn)出多種SZ癥狀。殘余型SZ患者癥狀較輕。緊張型SZ在DSM的早期版本中有介紹，但在DSM-5中被取消。鑒于這種癥狀在正常情況下發(fā)生，DSM-5將其歸類為SZ。圖2展示了不同的SZ類型及其特點(diǎn)。
正如前文所提及的，SZ及其類型的診斷對?？漆t(yī)生一直具有挑戰(zhàn)性。此外，包括分裂情感障礙在內(nèi)的一些與SZ相關(guān)的疾病與SZ具有很高的相似性。分裂情感障礙既包含SZ成分，也包含情緒障礙成分。因此，SZ的診斷對于專家來說非常復(fù)雜。
神經(jīng)影像是診斷SZ的另一種方法，分為功能模態(tài)和結(jié)構(gòu)模態(tài)。這些數(shù)據(jù)為專家提供了關(guān)于大腦功能和結(jié)構(gòu)的基本信息，有助于診斷SZ。結(jié)構(gòu)神經(jīng)影像主要包括結(jié)構(gòu)磁共振成像（sMRI）和彌散張量成像（DTI）兩種方法，它們以高空間分辨率顯示人腦的結(jié)構(gòu)及其連接性。總的來說，基于MRI的結(jié)構(gòu)神經(jīng)影像適用于觀察大腦的白質(zhì)（WM）、灰質(zhì)（GM）和腦脊液（CSF）組織，以及探索其異常。
診斷SZ的功能性神經(jīng)影像包括腦電圖（EEG）、腦磁圖（MEG）、功能性近紅外光譜（fNIRS）和功能MRI（fMRI）。fNIRS被認(rèn)為是最具成本效益的功能性神經(jīng)成像方式之一。由于此類模態(tài)的信息分辨率較低，因此它只用于有限數(shù)量的SZ診斷研究。腦磁圖也是診斷SZ的一種功能模式。功能性神經(jīng)影像的優(yōu)點(diǎn)包括能夠在疾病過程中準(zhǔn)確顯示大腦功能、源定位的準(zhǔn)確性以及具有特殊的高分辨率。
EEG是一種通過在頭皮上放置電極記錄腦電信號的非侵入性技術(shù)。EEG面臨的一個(gè)問題是確定大腦活動(dòng)源的精確位置。一些研究人員使用EEG記錄來診斷SZ。Jalili等人使用靜息態(tài)EEG（rs-EEG）進(jìn)行SZ檢測。他們從HC和SZ受試者的rs-EEG信號中，通過相關(guān)矩陣提取信息，取得了令人滿意的結(jié)果。此外，他們還證實(shí)，SZ患者的伽馬頻帶比健康受試者更容易受到影響。在另一項(xiàng)研究中，Khare等人提出了一種基于EEG信號和混合決策支持系統(tǒng)的SZ檢測方法。他們首先在腦電信號的預(yù)處理步驟中使用了魯棒變分模態(tài)分解（RVMD），然后測試了優(yōu)化極限學(xué)習(xí)機(jī)（OELM）方法對輸入數(shù)據(jù)進(jìn)行分類。結(jié)果表明，他們提出的方法在SZ檢測中取得了成功。
功能磁共振成像（fMRI）是SZ診斷領(lǐng)域研究最多的技術(shù)之一，包括兩種類型：靜息態(tài)（rs-fMRI）和基于任務(wù)的（T-fMRI）。fMRI并不直接測量神經(jīng)活動(dòng)，而是測量血氧、體積和流量的變化。在大腦活動(dòng)期間，參與活動(dòng)的大腦區(qū)域的血流量高于其他區(qū)域，從而增加含氧水平。fMRI具有比EEG和其他功能模式更好的空間分辨率，有助于確定大腦中神經(jīng)活動(dòng)發(fā)生的位置。
如前所述，SZ是一種影響大腦功能的精神障礙。功能磁共振成像可以向醫(yī)生提供關(guān)于大腦功能的基本信息。因此，fMRI在診斷這種疾病方面至關(guān)重要。
然而，MRI神經(jīng)影像仍存在一些限制，給專科醫(yī)生準(zhǔn)確診斷SZ帶來挑戰(zhàn)。sMRI和fMRI模式的局限性包括：圖像中存在噪聲和偽影，因此在采集圖像時(shí)需要盡可能保持靜止以避免運(yùn)動(dòng)偽影；在功能磁共振成像中，由于血流動(dòng)力學(xué)反應(yīng)緩慢，時(shí)間分辨率相對較低，且需要更多時(shí)間來采集大量圖像。這使得實(shí)時(shí)監(jiān)測大腦活動(dòng)變得困難。這些挑戰(zhàn)使得醫(yī)生在準(zhǔn)確診斷SZ方面面臨困難。
如今，已經(jīng)提出了利用先進(jìn)的圖像處理和人工智能技術(shù)來幫助醫(yī)生自動(dòng)準(zhǔn)確診斷SZ的計(jì)算機(jī)輔助診斷系統(tǒng)（CADS）。此外，機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）方法已被用于開發(fā)高度準(zhǔn)確和穩(wěn)定的CADS。在這項(xiàng)研究中，我們對使用MRI和AI技術(shù)的功能和結(jié)構(gòu)模式進(jìn)行SZ診斷進(jìn)行了詳細(xì)綜述。
本文的結(jié)構(gòu)安排如下：第2節(jié)介紹搜索策略。第3節(jié)討論關(guān)于SZ檢測的人工智能方法。第4節(jié)介紹了基于AI的使用MRI對SZ進(jìn)行診斷的CADS方法，并對相關(guān)論文進(jìn)行了綜述。第5節(jié)展示了討論部分。第6節(jié)中討論了使用AI技術(shù)和MRI模式診斷SZ的挑戰(zhàn)。第7節(jié)提供了使用AI技術(shù)和MRI神經(jīng)成像診斷SZ的未來工作方向。最后，第8節(jié)總結(jié)了全文。
在這項(xiàng)研究中，我們旨在提供一個(gè)全面的綜述，既涵蓋了AI技術(shù)在SZ診斷中的應(yīng)用，也關(guān)注了MRI模式的優(yōu)勢和局限性。我們希望本文能為未來研究提供指導(dǎo)和啟示，促進(jìn)更高效、準(zhǔn)確的SZ診斷方法的發(fā)展。
2.搜索策略
本節(jié)依據(jù)首選報(bào)告項(xiàng)目（PRISMA）的系統(tǒng)綜述和薈萃分析原則，選擇和回顧了使用AI技術(shù)進(jìn)行SZ檢測的文章。在這項(xiàng)工作中，我們挑選了IEEE Xplore、ScienceDirect、SpringerLink和Wiley等重要的引文數(shù)據(jù)庫來搜索關(guān)于精神分裂癥的文章。同時(shí)，在谷歌學(xué)術(shù)中使用“精神分裂癥”、“sMRI”、“fMRI”、“機(jī)器學(xué)習(xí)”、“特征提取”、“人工智能”和“深度學(xué)習(xí)”等關(guān)鍵詞查找相關(guān)文章。本綜述包含了截止至2022年3月30日被錄用的論文。
本文最初篩選了201篇文章，但其中36篇不在我們研究范圍內(nèi)，因此被排除。另外，有24篇論文因未使用MRI數(shù)據(jù)集，以及16篇未使用AI方法而被排除。最終，有125篇論文入選本研究，并經(jīng)過了仔細(xì)審查。圖3描述了根據(jù)PRISMA指南選擇文章的流程。表1總結(jié)了在SZ檢測領(lǐng)域選擇文章的納入和排除標(biāo)準(zhǔn)。
圖3.基于PRISMA指南的論文選擇過程
表1.SZ診斷相關(guān)論文的排除和納入標(biāo)準(zhǔn)
4.基于人工智能方法的精神分裂癥CADS診斷
如今，研究人員已經(jīng)開發(fā)了用于利用MRI模態(tài)影像診斷各種腦部疾病的CADS，如癲癇、ASD、多動(dòng)癥和SZ。CADS采用ML或DL方法實(shí)現(xiàn)SZ的診斷。這兩類人工智能方法如圖5所示。
在圖5中展示的診斷SZ的ML方法里，正確選擇特征提取和特征選擇方法需要廣泛的圖像處理、特征工程和人工智能知識。從圖5可以看出，在DL中，特征提取和提取/選擇步驟被合并為自動(dòng)特征提取步驟。與ML相比，DL的主要優(yōu)點(diǎn)在于需要較少的領(lǐng)域知識，具有更智能且自動(dòng)化的表達(dá)學(xué)習(xí)能力，同時(shí)在大數(shù)據(jù)研究中表現(xiàn)優(yōu)異。
4.1 可用的MRI模態(tài)數(shù)據(jù)集
本節(jié)將介紹用于診斷SZ的免費(fèi)可用的sMRI和fMRI神經(jīng)影像數(shù)據(jù)集。用于SZ檢測的主要公開數(shù)據(jù)集包括：Schizconnect、西北大學(xué)SZ數(shù)據(jù)和軟件工具（NUSDAST）、生物醫(yī)學(xué)卓越研究中心（COBRE）、功能生物醫(yī)學(xué)信息學(xué)研究網(wǎng)絡(luò)（FBIRN）、MCIC、加利福尼亞大學(xué)洛杉磯分校（UCLA）和IEEE 2014信號處理與機(jī)器學(xué)習(xí)國際研討會(huì)（MLSP 2014）。以下是這些數(shù)據(jù)集的詳細(xì)信息：
4.1.1. Schizconnect
該數(shù)據(jù)集包含了1392名受試者，用于SZ診斷。其中632人患有未診斷的疾病，215人患有廣泛的SZ，384人患有嚴(yán)重的SZ，41人患有分裂情感障礙，10人患有雙相情感障礙，44人是嚴(yán)重SZ患者的家庭成員，66人是未確診障礙的家庭成員。
4.1.2. NUSDAST
此數(shù)據(jù)集可作為Schizconnect數(shù)據(jù)集站點(diǎn)的一部分下載。它包含來自450名SZ患者、健康對照者以及具有2年以上患病歷史的家庭成員的各種神經(jīng)影像學(xué)數(shù)據(jù)。神經(jīng)影像數(shù)據(jù)包括：sMRI、FreeSurfer測量圖和分割圖。認(rèn)知數(shù)據(jù)包括智力、工作記憶、情景記憶和執(zhí)行表現(xiàn)的得分。臨床數(shù)據(jù)包括人口統(tǒng)計(jì)學(xué)、家庭成員關(guān)系、陽性癥狀評估量表（SAPS）和陰性癥狀（SANS）評估量表。遺傳數(shù)據(jù)包括20個(gè)單核苷酸多態(tài)性（SNPs）。除此數(shù)據(jù)集外，還提供了CAWorks神經(jīng)影像分析軟件。
4.1.3. COBRE
此數(shù)據(jù)集包括各種神經(jīng)影像模式，包括來自72名SZ患者和75名健康對照（每組年齡在18-65歲之間）的rs-fMRI、sMRI、表型和其他診斷信息。
4.1.4. FBIRN
此數(shù)據(jù)集分為三個(gè)階段，僅第二和第三階段包含SZ患者數(shù)據(jù)。第二階段包括87名患有DSM-5 SZ或分裂情感障礙的患者和85名年齡在18至70歲之間的健康對照。該數(shù)據(jù)集包含T1加權(quán)和T2加權(quán)對比的sMRI數(shù)據(jù)。第三階段數(shù)據(jù)集包括DTI、sMRI、fMRI神經(jīng)影像和行為數(shù)據(jù)，以及186名健康對照和176名SZ患者的臨床和人口統(tǒng)計(jì)學(xué)評估數(shù)據(jù)。
4.1.5. MCIC
這個(gè)多站點(diǎn)數(shù)據(jù)集包含來自162名SZ患者和169名健康被試的各種sMRI、DTI和fMRI影像。該數(shù)據(jù)集還提供了臨床和認(rèn)知評估、基因檢測等信息。該數(shù)據(jù)集通過COINS向公眾提供。
4.1.6. UCLA
該數(shù)據(jù)集包含各種神經(jīng)影像模態(tài)，包括來自130名健康被試、50名SZ患者、49名雙相情感障礙患者和43名ADHD患者的T-fMRI、rs-fMRI、sMRI、擴(kuò)散加權(quán)成像（DWI）和表型信息。
4.1.7. MLSP 2014精神分裂癥分類挑戰(zhàn)
MLSP數(shù)據(jù)集是在IEEE贊助下于2014年舉行的一次挑戰(zhàn)賽中引入的。該數(shù)據(jù)集包含75名健康被試和69名SZ患者的sMRI和fMRI影像數(shù)據(jù)。
4.2. sMRI和fMRI的預(yù)處理方法
本節(jié)將回顧sMRI和fMRI模態(tài)中最重要的低級預(yù)處理技術(shù)。sMRI和fMRI神經(jīng)成像模式通常非常復(fù)雜、困難且耗時(shí)?；?span>MRI的數(shù)據(jù)最重要的問題之一是各種偽影的存在，這對醫(yī)生和放射科醫(yī)生準(zhǔn)確診斷疾病類型構(gòu)成嚴(yán)重挑戰(zhàn)。因此，在分析基于MRI的圖像時(shí)，如果不使用適當(dāng)?shù)念A(yù)處理方法，對腦部疾病的診斷可能出現(xiàn)錯(cuò)誤。為了解決這些問題，近年來引入了各種軟件包來預(yù)處理sMRI和fMRI數(shù)據(jù)，其中最重要的是FMRIB軟件庫（FSL）、大腦提取工具（BET）、FreeSurfer和統(tǒng)計(jì)參數(shù)映射（SPM）。sMRI和fMRI神經(jīng)影像的重要低級預(yù)處理技術(shù)將在以下章節(jié)中討論。
4.2.1 標(biāo)準(zhǔn)（低級）sMRI預(yù)處理步驟
對于專家來說，sMRI模態(tài)的分析既復(fù)雜又耗時(shí)。sMRI模態(tài)預(yù)處理的最重要步驟如下：
去噪：這是sMRI模態(tài)預(yù)處理的第一步。使用離散時(shí)間小波變換（DWT）等濾波器從sMRI中去除破壞性噪聲。
不均勻校正：處理MRI設(shè)備線圈損壞產(chǎn)生偽影的問題。
顱骨剝離：使用顱骨剝離技術(shù)去除頭骨信息。
空間標(biāo)準(zhǔn)化：在處理sMRI模態(tài)時(shí)，圖像被轉(zhuǎn)換到標(biāo)準(zhǔn)空間（如MNI）。
強(qiáng)度標(biāo)準(zhǔn)化：使用強(qiáng)度標(biāo)準(zhǔn)化技術(shù)和不同的直方圖匹配技術(shù)校正MRI掃描儀產(chǎn)生的強(qiáng)度變化。
運(yùn)動(dòng)校正：針對fMRI數(shù)據(jù)，對運(yùn)動(dòng)引起的影響進(jìn)行校正，包括平移和旋轉(zhuǎn)。
重新定向：解決圖像不在同一方向上的問題。
分割：這是sMRI預(yù)處理的最后一步。將sMRI分割成包括白質(zhì)（WM）、灰質(zhì)（GM）和腦脊液（CSF）的有意義區(qū)域。
通過以上標(biāo)準(zhǔn)預(yù)處理步驟，可以有效地改善sMRI圖像的質(zhì)量，從而為后續(xù)的分析和診斷提供更準(zhǔn)確的信息。
4.2.2. 標(biāo)準(zhǔn)（低級）fMRI預(yù)處理步驟
fMRI模態(tài)的預(yù)處理步驟如下：
去除前N個(gè)時(shí)間點(diǎn)：去除fMRI序列中的前N個(gè)時(shí)間點(diǎn)以減少初始掃描中可能出現(xiàn)的嚴(yán)重偽影。
時(shí)間層校正：通過使所有體素的時(shí)間序列的血氧水平依賴（BOLD）信號盡可能具有相同的參考時(shí)間，對不同掃描層進(jìn)行校正。
頭動(dòng)校正：在fMRI預(yù)處理過程中，通過將每個(gè)時(shí)間點(diǎn)的圖像與參考圖像（通常為時(shí)間序列中的一個(gè)圖像）進(jìn)行對齊和調(diào)整，以減小由于受試者頭部運(yùn)動(dòng)所引起的圖像變化，從而完成頭動(dòng)校正。
空間歸一化：受試者之間的比較需要將圖像轉(zhuǎn)換為標(biāo)準(zhǔn)模式或空間歸一化。
空間平滑：通過計(jì)算相鄰體素的BOLD信號的加權(quán)平均值來實(shí)現(xiàn)空間平滑。
時(shí)域?yàn)V波：使用0.08-0.09 Hz的帶通濾波器對fMRI數(shù)據(jù)進(jìn)行時(shí)域?yàn)V波。
以上標(biāo)準(zhǔn)fMRI預(yù)處理步驟有助于提高數(shù)據(jù)質(zhì)量，從而為后續(xù)的分析和診斷提供更準(zhǔn)確的信息。這些步驟通常需要使用諸如FSL、SPM或AFNI等神經(jīng)影像處理軟件來執(zhí)行。
4.3. 人工智能方法
4.3.1 常規(guī)機(jī)器學(xué)習(xí)方法
基于深度學(xué)習(xí)（DL）和機(jī)器學(xué)習(xí)（ML）的計(jì)算機(jī)輔助診斷系統(tǒng)（CADS）之間的最重要區(qū)別在于特征提取和特征選擇（如圖5所示）。本節(jié)描述了用于SZ自動(dòng)診斷的最重要的特征提取和特征選擇步驟（見表2）。從表2和表3可以看出，相比于DL，研究人員更傾向于使用ML方法進(jìn)行SZ診斷。傳統(tǒng)ML比DL更受歡迎的主要原因是：（i）ML方法相對更為常見和廣泛；（ii）即使在小數(shù)據(jù)集上也能表現(xiàn)良好。以下是基于ML方法的CADS部分的描述：
特征提取：特征提取是從原始數(shù)據(jù)中提取有意義特征的過程。這些特征可以是形狀、紋理或其他與疾病或生物標(biāo)志物相關(guān)的屬性。在SZ診斷的情況下，特征提取可能包括從神經(jīng)影像數(shù)據(jù)中提取腦區(qū)域的形狀、體積、密度等特征。
特征選擇：特征選擇是從提取的特征中選擇最具區(qū)分能力的特征子集的過程。通過消除冗余或無關(guān)特征，特征選擇有助于提高機(jī)器學(xué)習(xí)模型的性能并減少過擬合。特征選擇可以通過過濾方法、包裝方法或嵌入式方法進(jìn)行。
機(jī)器學(xué)習(xí)分類器：使用所選特征訓(xùn)練機(jī)器學(xué)習(xí)模型進(jìn)行SZ診斷。常用的機(jī)器學(xué)習(xí)分類器包括支持向量機(jī)（SVM）、隨機(jī)森林（RF）、K最近鄰（KNN）和樸素貝葉斯（NB）等。
總之，基于ML的CADS方法主要依賴于手動(dòng)特征提取和選擇，以便從神經(jīng)影像數(shù)據(jù)中提取有關(guān)SZ的有用信息。相比之下，基于DL的方法通?？梢宰詣?dòng)學(xué)習(xí)和提取特征，但可能需要較大的數(shù)據(jù)集以及更強(qiáng)大的計(jì)算資源。
表2. 使用ML和MRI模式診斷SZ的研究總結(jié)
表3.使用DL和MRI模式診斷SZ的研究總結(jié)
4.3.1.1. 特征提取技術(shù)
特征提取是基于ML技術(shù)的SZ診斷中最重要的部分。從表2中可以注意到，使用MRI進(jìn)行SZ檢測所采用的最重要的特征提取技術(shù)包括：統(tǒng)計(jì)、紋理、非線性、圖形和連接矩陣。與基于深度學(xué)習(xí)的模型相比，這些模型通常需要更少的計(jì)算資源，且更容易解釋。然而，就性能而言，它們無法與基于DL的系統(tǒng)相媲美。
A. 統(tǒng)計(jì)
統(tǒng)計(jì)特征是最基本的特征提取技術(shù)，包括均值、方差、標(biāo)準(zhǔn)差、矩等。設(shè)計(jì)這些特征幾乎不需要領(lǐng)域知識，但它們不會(huì)呈現(xiàn)復(fù)雜的特定于上下文的信息。
B. 紋理
紋理特征主要呈現(xiàn)數(shù)據(jù)中的上下文特定信息，是醫(yī)學(xué)圖像中使用的重要特征提取技術(shù)。基于灰度共生矩陣（GLCM）的方法和Gabor濾波器是最重要的紋理方法。
C. 非線性
從神經(jīng)成像模態(tài)中提取非線性特征可以提高SZ診斷的性能，但它們的硬件實(shí)現(xiàn)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。
D. 圖形
用于診斷SZ的另一組特征基于圖模型。在這些方法中，首先從數(shù)據(jù)中構(gòu)建或提取圖。然后借助圖和局部圖特征。這些方法也可用于選擇無監(jiān)督特征。圖形特征的計(jì)算通常包含任何數(shù)據(jù)點(diǎn)的所有變量上的循環(huán)，并有效呈現(xiàn)了局部依賴關(guān)系。
E. 連接矩陣
連接矩陣特征提取方法是用于處理DTI和fMRI神經(jīng)影像的主要特征提取方案。這些特征提供了大腦結(jié)構(gòu)和功能的信息。功能連接矩陣（FCM）和結(jié)構(gòu)連接矩陣（SCM）分別是用于fMRI和DTI模態(tài)的方法。一些工作使用FCM技術(shù)對MRI圖像中的特征進(jìn)行SZ檢測。
雖然它們的任務(wù)特異性優(yōu)于其他功能，但其設(shè)計(jì)比較耗時(shí)。總的來說，特征提取技術(shù)在基于ML的SZ診斷中起著關(guān)鍵作用，盡管它們在計(jì)算資源和性能方面的需求可能不如基于DL的方法。
4.3.1.2. 特征降維/選擇方法
在設(shè)計(jì)CADS時(shí)選擇適當(dāng)?shù)奶卣鬟x擇方法可以提高SZ的診斷性能。此外，當(dāng)數(shù)據(jù)屬性空間非常大時(shí)，使用適當(dāng)?shù)奶卣饔兄诮档陀?xùn)練系統(tǒng)所需的計(jì)算成本。到目前為止，已經(jīng)提出了幾種方法來解決特征選擇問題。以下討論了CADS中用于SZ診斷的重要特征降維和選擇方法。
4.3.1.2.1. 特征降維技術(shù)
在本方法中，首先獲得特征矩陣，然后將其從輸入空間轉(zhuǎn)移到經(jīng)過降維的輸出空間。在少數(shù)研究中，主成分分析（PCA）技術(shù)已被用于減少特征并提高特異性。這些方法通常比基于選擇的方法更快速，并在一定程度上考慮了特征之間的關(guān)系。
4.3.1.2.2. 特征選擇方法
本方法中選擇并使用基本特征的最優(yōu)子集。特征選擇算法分為三種類型：（i）有監(jiān)督，（ii）無監(jiān)督，和（iii）優(yōu)化器。本方法還可以用于選擇一些可在測試階段實(shí)現(xiàn)的特性，并消除計(jì)算不相關(guān)特性的成本。下文將對它們進(jìn)行簡要討論。
有監(jiān)督特征選擇方法
用于選擇有監(jiān)督特征的方法包括基于Relief、Fisher、Chi-Squared和correlation類型的技術(shù)。以下給出了這些方法的詳細(xì)信息。
A. Relief特征選擇
在這種方法中，在每個(gè)步驟中從數(shù)據(jù)集中隨機(jī)選擇一個(gè)樣本。然后，基于所選樣本和兩個(gè)相鄰樣本之間的差異來更新每個(gè)特征的相關(guān)性。如果所選樣本的特征之一與同一類的相鄰樣本中的相似特征不同，則該特征的得分會(huì)降低。另一方面，如果所選樣本中的相同特征與相反類別的相鄰樣本中的相似特征不同，則該特征的得分會(huì)增加。
B. Fisher特征選擇
這項(xiàng)技術(shù)選擇的特征可以最小化樣本之間的類間距離，同時(shí)最大化類內(nèi)樣本的距離；此外，這種方法經(jīng)常用于二分類問題。通過這種方法可以確定每個(gè)特征的重要性（權(quán)重）。
C. Chi-Squared特征選擇
該方法試圖基于Chi-Squared(卡方)檢驗(yàn)找到與輸入數(shù)據(jù)相關(guān)的特征。為了能夠正確地測量數(shù)據(jù)集中的各種特征與目標(biāo)屬性之間的關(guān)系，
D. 基于相關(guān)性的特征選擇
基于相關(guān)性的方法在CADS中被用于SZ診斷的有監(jiān)督特征選擇方法，表現(xiàn)出了優(yōu)異的性能。此方法通過選擇具有最大方差且冗余度最小的特征，同時(shí)去除貢獻(xiàn)較小的基本特征來實(shí)現(xiàn)。
無監(jiān)督特征選擇方法
無監(jiān)督特征選擇方法，如方差、平均絕對方差、拉普拉斯分?jǐn)?shù)、聚類等，在選擇數(shù)據(jù)集的最佳特征方面具有一定的優(yōu)勢。然而，它們的表現(xiàn)通常不如有監(jiān)督學(xué)習(xí)方法。在SZ診斷的相關(guān)研究中，凝聚層次聚類特征選擇方法得到了應(yīng)用。
基于優(yōu)化的特征選擇方法
這是用于診斷SZ的另一類特征選擇技術(shù)。雖然這些方法在性能方面優(yōu)越，但它們過于特定于問題，導(dǎo)致在實(shí)際應(yīng)用中受到限制。遺傳算法（GA）、蟻群優(yōu)化（ACO）、二元粒子群優(yōu)化（BPSO）和非支配排序遺傳算法II（NSGA-II）等方法已在各種研究中用于選擇用于診斷SZ的特征。表2總結(jié)了用于SZ診斷的ML研究。
如果您對腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)分析感興趣，可瀏覽思影科技課程及服務(wù)，另思影可承接PET相關(guān)數(shù)據(jù)處理分析業(yè)務(wù)，感謝轉(zhuǎn)發(fā)支持（可添加微信號siyingyxf或18983979082咨詢，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群）:
北京：
第八十屆磁共振腦影像基礎(chǔ)班（北京，4.19-24）
第二十七屆腦影像機(jī)器學(xué)習(xí)班（北京，5.5-10）
第十三屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班(北京，5.24-29）
第十屆影像組學(xué)班(北京，6.11-16）
南京：
第二十六屆磁共振腦影像結(jié)構(gòu)班（南京，4.10-15）
第十二屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（南京，4.22-27）
第三十二屆擴(kuò)散成像數(shù)據(jù)處理班(南京，5.9-14）
第八十二屆磁共振腦影像基礎(chǔ)班(南京，5.20-25）
第三十八屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（南京，6.7-12）
重慶：
第三十一屆擴(kuò)散成像數(shù)據(jù)處理班(重慶，4.7-12）
第七十九屆磁共振腦影像基礎(chǔ)班(重慶，4.14-19）
第九屆影像組學(xué)班（重慶，5.20-25）
第八十三屆磁共振腦影像基礎(chǔ)班(重慶，6.9-14）
上海：
第七屆擴(kuò)散磁共振成像提高班（上海，4.14-19）
第八十一屆磁共振腦影像基礎(chǔ)班（上海，5.6-11）
第二十八屆腦影像機(jī)器學(xué)習(xí)班（上海，5.14-19）
第二十五屆磁共振腦影像結(jié)構(gòu)班（上海，5.23-28）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI）數(shù)據(jù)處理
思影科技腦結(jié)構(gòu)磁共振（T1)成像數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動(dòng)物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技影像組學(xué)（Radiomics）數(shù)據(jù)處理業(yè)務(wù)
思影科技DTI-ALPS數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)ASL數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長類動(dòng)物fMRI分析業(yè)務(wù)
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
思影科技眼動(dòng)數(shù)據(jù)處理服務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師(北京，上海，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
Artinis近紅外腦功能成像系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
4.3.2 深度學(xué)習(xí)方法
深度學(xué)習(xí)（DL）在神經(jīng)科學(xué)領(lǐng)域中得到了廣泛應(yīng)用，用于自動(dòng)診斷雙相情感障礙、人格障礙、抑郁癥和精神分裂癥等精神障礙。如表3所示，大多數(shù)研究集中在實(shí)現(xiàn)各種卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型以診斷SZ。選擇這種方法的原因是CNN在處理二維（2D）和三維（3D）數(shù)據(jù)時(shí)具有出色的性能。研究表明，這些網(wǎng)絡(luò)在一維醫(yī)學(xué)數(shù)據(jù)上也表現(xiàn)良好。自動(dòng)編碼器（AE）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、深度置信網(wǎng)絡(luò)（DBN）、生成對抗網(wǎng)絡(luò)（GAN）、CNNAE和CNN-RNN網(wǎng)絡(luò)也在少數(shù)研究中使用。以下部分將對它們進(jìn)行簡要介紹。
4.3.2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
CNN已用于自動(dòng)診斷SZ，包括1D-CNN、2D-CNN、Inception、GANs、CapsNet和3D-CNN。盡管這些模型被用于處理基于圖像的任務(wù)，但它們的可解釋性不如傳統(tǒng)的ML模型。以下是這些模型的詳細(xì)信息。
A. 1D和2D CNN
自20世紀(jì)60年代以來，計(jì)算機(jī)視覺和圖像處理一直是許多研究者關(guān)注的領(lǐng)域。然而，由于圖像的高維性，圖像處理任務(wù)（如分類和分割）一直面臨著挑戰(zhàn)。2012年推出的AlexNet是一種具有2D卷積層的深度神經(jīng)網(wǎng)絡(luò)，可以高精度地完成圖像分類任務(wù)。從那時(shí)起，出現(xiàn)了許多旨在提高先前模型性能的其他模型，如VGG、GoogleNet等。此外，還開發(fā)了其他形式的2D-CNN，使其適用于其他數(shù)據(jù)類型，如更適用于EEG的1D-CNN。這些網(wǎng)絡(luò)設(shè)計(jì)相對簡單且性能較高；但它們不像其他方法那樣可以針對特定任務(wù)進(jìn)行定制。圖8顯示了使用MRI自動(dòng)檢測SZ的2D-CNN架構(gòu)。
B. Inception
2014年引入了VGG和GoogLeNet這兩個(gè)重要的網(wǎng)絡(luò)結(jié)構(gòu)。GoogLeNet是ImageNet挑戰(zhàn)賽的獲勝者，有兩個(gè)主要的想法來克服梯度消失問題。這個(gè)網(wǎng)絡(luò)中的第一個(gè)想法是使用梯度裁剪，即在最后一層輸出之外使用中間層輸出進(jìn)行反向傳播。第二個(gè)更重要的想法是初始層（Inception）層。Inception層結(jié)合了各種尺寸的濾波器以檢測數(shù)據(jù)中的不同長度，還在這些塊的末端應(yīng)用了一個(gè)1×1的濾波器，以減少參數(shù)數(shù)量。Inception模塊與許多其他結(jié)構(gòu)組合形成更復(fù)雜和強(qiáng)大的模型，如Inception-ResNet。Inception模型具有學(xué)習(xí)不同特征的能力，且沒有顯著增加參數(shù)數(shù)量，但是它們面臨梯度消失的問題。
C. 生成對抗網(wǎng)絡(luò)（GANs）
生成模型使算法能夠自動(dòng)生成樣本的想法是創(chuàng)建智能模型的重要一步。然而，在生物醫(yī)學(xué)數(shù)據(jù)處理中，這些模型的主要用途是增加數(shù)據(jù)集的大小。在GANs之前，已經(jīng)引入了許多其他生成模型，但這些模型所生成的數(shù)據(jù)樣本存在一定質(zhì)量問題。除了生成新數(shù)據(jù)外，GANs還可以用作無監(jiān)督學(xué)習(xí)模型。與其他生成模型相比，GANs生成的圖像通常具有更好的質(zhì)量，但將它們訓(xùn)練成大尺寸圖像依然很困難。圖9顯示了用于使用MRI模態(tài)自動(dòng)檢測SZ的樣本GAN架構(gòu)。
圖9. 用于SZ自動(dòng)檢測的GAN
D. CapsNet CapsNet是一種使用膠囊結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，旨在解決傳統(tǒng)CNN的不足之處。在CNN中，卷積層和池化層僅捕捉特征的出現(xiàn)情況，而膠囊層則可以捕捉特征的出現(xiàn)位置、方向和縮放程度等信息。這些膠囊由一組神經(jīng)元組成，其中一個(gè)神經(jīng)元作為膠囊的“活躍度”，表示該膠囊是否包含特征。CapsNet還使用了動(dòng)態(tài)路由算法來計(jì)算膠囊之間的關(guān)系，以獲得更準(zhǔn)確的特征表示。CapsNet已在許多任務(wù)中顯示出優(yōu)異性能，如圖像分類和物體識別。在SZ的自動(dòng)診斷中，CapsNet已被用于MRI圖像的分類和分割任務(wù)。
圖10. 用于SZ自動(dòng)檢測的CapsNet流程圖
E. 3D-CNN
卷積神經(jīng)網(wǎng)絡(luò)由于其較低數(shù)量的可訓(xùn)練參數(shù)和遷移學(xué)習(xí)，對2D和一維（1D）數(shù)據(jù)表現(xiàn)良好。然而，考慮到3D數(shù)據(jù)集較小的體積和大量的可訓(xùn)練權(quán)重參數(shù)，設(shè)計(jì)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)并不容易。盡管如此，研究人員已經(jīng)開發(fā)了許多3D-CNN模型以達(dá)到最先進(jìn)的性能。對于體素?cái)?shù)據(jù)，這些模型可以比其他模型找到更有效的空間模式。圖11顯示了使用MRI模態(tài)的自動(dòng)化3D-CNN SZ檢測的架構(gòu)示意圖。
4.3.2.2.遞歸神經(jīng)網(wǎng)絡(luò)（RNN）
時(shí)間序列和順序數(shù)據(jù)是重要的數(shù)據(jù)類型。在處理這些數(shù)據(jù)的同時(shí)識別時(shí)間模式起著關(guān)鍵作用。之前開發(fā)的模型可以識別空間模式，但不適合識別時(shí)域模式。因此，提出了可以縮放以檢測的時(shí)間序列的遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）。長短時(shí)記憶網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元（GRU）是RNNs的兩個(gè)重要構(gòu)建模塊。
4.3.2.3.自動(dòng)編碼器（AE）
無監(jiān)督學(xué)習(xí)可以消除特征工程的所有成本。因此，AE已經(jīng)被開發(fā)出來并在最近的許多工作中使用。AE試圖通過最小化損失函數(shù)將數(shù)據(jù)映射到較小的潛在空間，然后返回到原始空間，在降低數(shù)據(jù)維度的同時(shí)保留數(shù)據(jù)的重要特征。近年來，已經(jīng)提出了許多其他形式的AE來提高其性能，例如堆疊AE、去噪AE和稀疏AE。AE能夠找到無監(jiān)督的表示，可以用于各種問題設(shè)置，但它們的表示通常對分布外數(shù)據(jù)不具有魯棒性。圖12顯示了使用MRI模態(tài)自動(dòng)檢測SZ的AE架構(gòu)。
4.3.2.4.深度置信網(wǎng)絡(luò)（DBN）
深度置信網(wǎng)絡(luò)是一種生成模型，基于圖形模型構(gòu)建，由多層潛在變量組成。這些層之間有連接，但同一層之間沒有連接。DBN被廣泛應(yīng)用于無監(jiān)督學(xué)習(xí)和特征提取，并被作為比較基準(zhǔn)用于各種問題設(shè)置。
4.3.2.5.卷積自動(dòng)編碼器（CNN-AE）
為了充分利用卷積層在無監(jiān)督表示學(xué)習(xí)中的優(yōu)勢，卷積自動(dòng)編碼器（CNN-AE）被引入。圖13顯示了使用MRI進(jìn)行SZ自動(dòng)檢測的CNN-AE架構(gòu)。常規(guī)的自動(dòng)編碼器在輸入原始數(shù)據(jù)時(shí)通常會(huì)過擬合，因?yàn)樗鼈兙哂写罅靠蓪W(xué)習(xí)參數(shù)且沒有足夠的約束。應(yīng)用卷積層可以減少可學(xué)習(xí)參數(shù)的數(shù)量，使網(wǎng)絡(luò)得到充分訓(xùn)練。將CNN-AE與其他模型（如稀疏AE）結(jié)合使用可以進(jìn)一步提高性能。相比其他自動(dòng)編碼器結(jié)構(gòu)，這些模型在處理圖像和信號類型的數(shù)據(jù)時(shí)表現(xiàn)更好，但設(shè)計(jì)這樣的結(jié)構(gòu)仍具有一定困難。
4.3.2.6.卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（CNN-RNN）
盡管RNN在發(fā)現(xiàn)時(shí)域模式方面很強(qiáng)，但在處理空間模式時(shí)表現(xiàn)較差。相反，CNN可以創(chuàng)建一個(gè)穩(wěn)健的網(wǎng)絡(luò)，能夠處理具有各種特征的數(shù)據(jù)，例如生物醫(yī)學(xué)信號?，F(xiàn)今，CNN-RNN廣泛應(yīng)用于信號處理任務(wù)。在這些網(wǎng)絡(luò)中，前幾層的卷積層進(jìn)行數(shù)據(jù)處理并提取特征；然后，這些特征被反饋到RNN層，以對輸入做出最終決策。它們具有捕捉數(shù)據(jù)中時(shí)空模式的內(nèi)在能力。圖14顯示了用于SZ自動(dòng)檢測的CNN-RNN網(wǎng)絡(luò)。在該圖中，可以對該網(wǎng)絡(luò)進(jìn)行特征融合等改進(jìn)以獲得更高的性能。
4.3.3.分類方法
分類是CADS的最后一部分。支持向量機(jī)（SVM）、隨機(jī)森林（RF）和Softmax是精神分裂癥診斷中廣泛使用的分類方法。其中，Softmax方法僅在上述DL方法中使用。表2和表3提供了用于SZ診斷的基于ML和DL的CADS實(shí)現(xiàn)的詳細(xì)信息。
5.討論
本文對使用MRI影像和AI技術(shù)的SZ診斷方法進(jìn)行了全面綜述。雖然許多研究介紹了使用神經(jīng)影像模式和AI方法診斷SZ的不同綜述研究，但本文集中在MRI模態(tài)和AI（DL和ML）技術(shù)相結(jié)合的SZ診斷方面進(jìn)行了綜述。在本節(jié)中，將對ML和DL在SZ診斷中的使用進(jìn)行全面討論。討論部分還包括以下幾個(gè)小節(jié)：對每年SZ檢測的ML和DL論文進(jìn)行比較；指出每年用于SZ研究的MRI數(shù)據(jù)集的數(shù)量；對使用ML和DL技術(shù)進(jìn)行SZ診斷的年度研究中的幾種MRI模式進(jìn)行了研究總結(jié)；總結(jié)了MRI預(yù)處理中使用的工具箱數(shù)量；最后，討論了ML和DL技術(shù)在SZ診斷研究中的分類算法。
5.1.每年接受SZ檢測的ML和DL論文的比較
為了在使用ML方法和DL方法診斷SZ的研究之間進(jìn)行有效比較，本文納入的研究均在2016年之后進(jìn)行。表2和表3中使用sMRI和fMRI以及ML和DL方法對所有關(guān)于SZ診斷的研究進(jìn)行了回顧。表2顯示了使用ML進(jìn)行SZ診斷的重要信息，包括：數(shù)據(jù)集類型、模態(tài)、預(yù)處理技術(shù)、預(yù)處理工具箱、特征提取、特征降維/選擇、分類、K-Fold和評估參數(shù)。表3重點(diǎn)介紹了DL方法，包括DL體系結(jié)構(gòu)、工具箱和分類方法。圖15顯示了使用MRI影像進(jìn)行SZ自動(dòng)檢測的ML和DL發(fā)表的論文數(shù)量。
從圖15可以看出，ML比DL在自動(dòng)SZ檢測中使用更多。這可能是因?yàn)榭捎玫墓?span>MRI數(shù)據(jù)集數(shù)量有限。其次，ML方法不需要強(qiáng)大的硬件資源，通過選擇不太復(fù)雜的特征就可以實(shí)現(xiàn)較高性能。
5.2.每年用于SZ研究的MRI數(shù)據(jù)集的數(shù)量
從第4.1節(jié)可以注意到，有幾個(gè)免費(fèi)可用的數(shù)據(jù)集可用于SZ的自動(dòng)診斷。每年提出的用于開發(fā)DL和ML模型的數(shù)據(jù)集數(shù)量如圖16所示。從該圖中可以注意到，在SZ的自動(dòng)檢測研究中，COBRE數(shù)據(jù)集由于正常對照組和精神分裂癥數(shù)量較平衡而比其他數(shù)據(jù)集更高效、更受歡迎。
5.3.每年在SZ研究中使用的MRI神經(jīng)成像模式的數(shù)量
圖17顯示了表2和表3中用于診斷SZ的sMRI和fMRI神經(jīng)影像的類型。由此可見，rs-fMRI已經(jīng)得到了廣泛的應(yīng)用；近年來，使用sMRI和rs-fMRI神經(jīng)成像模態(tài)對SZ自動(dòng)化檢測進(jìn)行了更多的研究。
5.4.用于診斷SZ的預(yù)處理工具箱
sMRI和fMRI模態(tài)的預(yù)處理是SZ自動(dòng)檢測的重要步驟。預(yù)處理技術(shù)分為低水平和高水平方法，在前面的章節(jié)中有詳細(xì)描述。使用sMRI或fMRI模態(tài)的低水平預(yù)處理具有特定的標(biāo)準(zhǔn)步驟，FSL、BET、FreeSurfer和SPM工具已被引入低水平預(yù)處理。用于SZ自動(dòng)診斷的預(yù)處理工具數(shù)量如圖18所示。從圖中可以看出，研究人員廣泛使用SPM工具。
圖18.用于SZ自動(dòng)診斷的預(yù)處理工具數(shù)量
5.5.用于SZ診斷的ML和DL方法中的分類算法數(shù)量
圖19所示為2016年后發(fā)表的論文中使用ML和DL方法自動(dòng)檢測SZ的分類算法的數(shù)量。從圖19（a）可以看出，Softmax方法被廣泛用于分類。SVM分類器被廣泛用于ML方法中（圖19（b））。
6.挑戰(zhàn)
在使用AI診斷SZ方面已經(jīng)進(jìn)行了有價(jià)值的研究，這允許在現(xiàn)實(shí)世界中開發(fā)使用MRI診斷SZ的軟件。本節(jié)描述了使用MRI和AI技術(shù)設(shè)計(jì)SZ自動(dòng)診斷的挑戰(zhàn)。數(shù)據(jù)約束、準(zhǔn)確診斷、算法和硬件問題是下文討論的主要挑戰(zhàn)。
6.1.MRI數(shù)據(jù)集面臨的挑戰(zhàn)
研究人員已經(jīng)提出了更多的ML模型用于有限數(shù)量的數(shù)據(jù)樣本。其中一個(gè)挑戰(zhàn)是，由于空間高分辨率的sMRI和DTI以及空間-時(shí)間高分辨率的fMRI數(shù)據(jù)的缺乏，阻礙了研究人員評估在SZ診斷中同時(shí)使用這些模式的有效性。另一個(gè)挑戰(zhàn)是使用sMRI和fMRI模態(tài)準(zhǔn)確診斷不同類型的SZ。Schizconnect數(shù)據(jù)集提供了不同類別的SZ，但受試者的數(shù)量和慢性疾病的種類非常有限，很難將其用于實(shí)際應(yīng)用。其他可用的數(shù)據(jù)集只有SZ類和普通類。因此，為許多受試者和不同類型的SZ障礙提供數(shù)據(jù)集將有助于研究人員開發(fā)一個(gè)臨床有用的系統(tǒng)。SZ的早期檢測和預(yù)測是非常重要和具有挑戰(zhàn)性的任務(wù)，但由于收集此類數(shù)據(jù)集有一定困難（需要對個(gè)體進(jìn)行縱向研究和隨訪），相關(guān)研究很少，值得更多關(guān)注。
6.2.SZ檢測的多模態(tài)數(shù)據(jù)集的挑戰(zhàn)
缺乏多模態(tài)神經(jīng)影像數(shù)據(jù)集是SZ檢測研究的另一個(gè)挑戰(zhàn)。一般來說，多模態(tài)神經(jīng)影像數(shù)據(jù)在診斷大腦疾病中起著重要作用。許多臨床研究已經(jīng)報(bào)道了融合多種神經(jīng)影像模式用于精確檢測SZ，包括EEG-fMRI、fMRI-sMRI、fMRI-MEG和MRI-PET。盡管多模態(tài)融合神經(jīng)影像數(shù)據(jù)有很多好處，但使用這些數(shù)據(jù)進(jìn)行SZ檢測對醫(yī)生來說是復(fù)雜而耗時(shí)的。用于檢測SZ的多模態(tài)數(shù)據(jù)集尚未提供給研究人員。多模態(tài)數(shù)據(jù)集的可用性可成為AI技術(shù)進(jìn)行SZ檢測的重要研究。
6.3.SZ檢測的挑戰(zhàn)
一些腦部疾病的癥狀與SZ相似，這使得專家很難對其進(jìn)行診斷。例如，SZ在兒童早期就有類似于ASD和ADHD的癥狀。因此，提供不同年齡段的SZ患者的MRI數(shù)據(jù)集有助于解決這一障礙。使用先進(jìn)的DL模型研究這些數(shù)據(jù)集有助于專家對SZ進(jìn)行高度準(zhǔn)確的診斷。
6.4.ML技術(shù)的挑戰(zhàn)
另一個(gè)挑戰(zhàn)與ML技術(shù)的使用有關(guān)。提取能夠產(chǎn)生有效區(qū)別特征的SZ生物標(biāo)志物是CADS最重要的部分。基于ML實(shí)現(xiàn)CADS需要大量人工智能領(lǐng)域的知識。在基于ML的CADS中，選擇每個(gè)部分的算法來獲得高度準(zhǔn)確的SZ診斷是復(fù)雜的。然而，基于ML的CADS不是用于輸入大量數(shù)據(jù)的合適工具。另一個(gè)挑戰(zhàn)是MRI是根據(jù)各種成像協(xié)議進(jìn)行的，缺乏同時(shí)處理這些數(shù)據(jù)的合適手段。這些挑戰(zhàn)使得開發(fā)用于診斷SZ的真實(shí)軟件變得相當(dāng)困難。
6.5.DL技術(shù)的挑戰(zhàn)
由于無法訪問合適的數(shù)據(jù)集，研究人員無法利用先進(jìn)的DL方法開發(fā)用于SZ診斷的真實(shí)軟件。此外，在標(biāo)準(zhǔn)狀態(tài)下，MRI數(shù)據(jù)是3D的形式，3D DL模型的實(shí)現(xiàn)遇到了許多限制。將DL模型中的諸多訓(xùn)練參數(shù)用于從MRI模態(tài)的SZ診斷，其實(shí)際實(shí)現(xiàn)是復(fù)雜的。
6.6.硬件方面的挑戰(zhàn)
另外，大多數(shù)研究人員無法獲得3D DL模型所需的強(qiáng)大硬件資源，用于診斷SZ的DL架構(gòu)的開發(fā)一直具有挑戰(zhàn)性。盡管Google Colab、亞馬遜等網(wǎng)站為研究人員提供了高計(jì)算處理器，但像GoogleColab這樣的工具內(nèi)存有限，不能用于科學(xué)應(yīng)用，實(shí)現(xiàn)這些方法并在現(xiàn)實(shí)世界中使用仍然會(huì)帶來許多問題。
7. 未來工作
本節(jié)總結(jié)了使用MRI和AI技術(shù)診斷SZ的未來工作，分為五個(gè)部分：數(shù)據(jù)集、ML技術(shù)、DL方法、SZ治療方法和康復(fù)工具。
7.1 數(shù)據(jù)集的未來工作
第4.1節(jié)介紹了用于SZ診斷的免費(fèi)可用MRI數(shù)據(jù)集，為AI技術(shù)在SZ診斷方面的應(yīng)用奠定了基礎(chǔ)。DTI模式在診斷SZ中起著關(guān)鍵作用，因此，提供包括大量病例的DTI數(shù)據(jù)集將進(jìn)一步促進(jìn)SZ診斷研究。未來的工作將力求提供不同年齡組SZ患者的MRI數(shù)據(jù)集。
7.2 多模態(tài)神經(jīng)影像數(shù)據(jù)集的未來工作
第6節(jié)指出，缺乏多模態(tài)數(shù)據(jù)集是SZ檢測中的重要挑戰(zhàn)。如前所述，EEG-fMRI、fMRI-sMRI、fMRI-MEG和MRI-PET在SZ的準(zhǔn)確檢測中起著關(guān)鍵作用。因此，未來工作建議提供多模態(tài)神經(jīng)影像數(shù)據(jù)集。
7.3 ML方法的未來工作
本節(jié)討論了使用ML技術(shù)診斷SZ的未來工作。表2的部分內(nèi)容涉及MRI預(yù)處理技術(shù)。模糊技術(shù)在預(yù)處理sMRI和fMRI模態(tài)中具有關(guān)鍵作用，因此，使用模糊模型進(jìn)行MRI模態(tài)預(yù)處理是未來工作的建議之一。基于模糊聚類的方法是sMRI的基本聚類方法之一。此外，使用基于連通性的模糊模型（如模糊認(rèn)知圖）是未來fMRI和sMRI模態(tài)預(yù)處理工作的另一個(gè)建議。
特征提取是CADS診斷SZ的關(guān)鍵環(huán)節(jié)。未來工作建議使用新的特征提取模型，如Fuzzy、函數(shù)連通性、有效連通性和圖論等。此外，使用局部二進(jìn)制模式（LBP）方法也是未來工作的一個(gè)方向。
特征選擇和分類是SZ診斷的另兩個(gè)關(guān)鍵部分。表2顯示了用于診斷SZ的分類算法，大多數(shù)研究已經(jīng)使用了SVM進(jìn)行診斷。未來工作可以為SVM提供新的內(nèi)核，以提高SZ檢測的準(zhǔn)確性。基于類型1和2的模糊理論分類模型表現(xiàn)良好，建議用于未來工作。此外，使用基于圖論的新方法也是未來工作的一個(gè)方向。
7.4.DL方法的未來工作 本節(jié)總結(jié)了用于SZ診斷的注意力模型、分布外泛化、魯棒表示學(xué)習(xí)、GAN等新DL模型。7.4.1.注意力模型 注意力模型試圖模仿人類的認(rèn)知過程，專注于模型中數(shù)據(jù)點(diǎn)的某些部分，而忽略其余部分。這種方法通過減少模型的參數(shù)和改變工作方式來提高性能，有助于模型的可解釋性。7.4.2.分布外泛化 深度神經(jīng)網(wǎng)絡(luò)在不違反假設(shè)之前工作良好；然而，這在許多現(xiàn)實(shí)生活中并不適用。醫(yī)學(xué)診斷中的問題主要來源于小的分布變化，這通常是由于數(shù)據(jù)收集過程中的微小變化。為這些變化創(chuàng)建魯棒模型是研究的熱點(diǎn)，被稱為分布外泛化。許多方法旨在通過域?qū)R、DA和對抗性訓(xùn)練達(dá)到較高穩(wěn)定性。7.4.3.魯棒表示學(xué)習(xí) 在任何深度神經(jīng)網(wǎng)絡(luò)中，底層網(wǎng)絡(luò)都試圖學(xué)習(xí)數(shù)據(jù)表征來完成DL任務(wù)。許多研究論文都專注于通過檢查和更改這些表征來提高網(wǎng)絡(luò)性能。為了實(shí)現(xiàn)這一點(diǎn)，幾項(xiàng)研究專注于在這些向量中尋找不同的概念，一些研究專注于學(xué)習(xí)分解表征，一些則專注于尋找數(shù)據(jù)的因果表示，這些方法還提高了模型的分布外泛化能力。7.4.4.生成對抗性網(wǎng)絡(luò)（GANs） GANs自2014年以來就一直存在，被歸類為生成模型，在生成高質(zhì)量和高相似度的圖像方面顯示出了優(yōu)越性，也被廣泛用于各種醫(yī)學(xué)診斷。CycleGAN、深度卷積GAN（DCGAN）和Info-GAN是SZ診斷中最常用的架構(gòu)。
7.4.5 深度緊湊型CNNs 在實(shí)現(xiàn)DL模型時(shí)，缺乏適當(dāng)?shù)挠布Y源是一個(gè)嚴(yán)重的挑戰(zhàn)。最近，已經(jīng)引入了需要較低的硬件資源來進(jìn)行訓(xùn)練的深度緊湊型CNNs。這些CNNs不需要高硬件資源。主要的深度緊湊型CNNs包括Facebook-Berkeley-Nets（FBNet）、PP-LCNet、MnasNet、MobileNet和TinyNet。在未來的研究中，深度緊湊型CNNs可用于MRI模態(tài)的SZ檢測。
7.5 SZ治療方法的未來工作 治療SZ的方法包括經(jīng)顱磁刺激（TMS）和經(jīng)顱直流電刺激（tDCS）。在臨床應(yīng)用中，首先獲取患者的MRI，然后由?？漆t(yī)生劃分大腦區(qū)域。最后，使用TMS和tDCS工具對疑似SZ有關(guān)區(qū)域進(jìn)行電刺激。準(zhǔn)確選擇大腦區(qū)域并對其進(jìn)行電刺激既復(fù)雜又具有挑戰(zhàn)性。未來的工作可能涉及使用AI技術(shù)根據(jù)MRI數(shù)據(jù)劃分大腦區(qū)域。這將幫助醫(yī)生更準(zhǔn)確地選擇患有SZ的大腦區(qū)域，對疑似SZ相關(guān)的區(qū)域進(jìn)行高度準(zhǔn)確的電刺激，具有較低的副作用。
7.6 未來的康復(fù)工作 在欠發(fā)達(dá)國家，不同類型的SZ患者數(shù)量正在增長。缺乏分析sMRI和fMRI數(shù)據(jù)的專業(yè)醫(yī)生始終是一個(gè)挑戰(zhàn)。未來，基于DL和云計(jì)算的CADS的應(yīng)用可為大腦疾病患者提供有價(jià)值的服務(wù)。sMRI或fMRI模態(tài)可以發(fā)送到儲(chǔ)存有精確DL模型的云端。模型的運(yùn)行結(jié)果將被發(fā)送到醫(yī)院服務(wù)器。在與專業(yè)臨床醫(yī)生確認(rèn)后，可以將診斷和分析結(jié)果發(fā)送給患者。
8.結(jié)論和未來工作 精神分裂癥（SZ）是一種直接影響大腦的精神障礙，會(huì)導(dǎo)致言語和理解能力受損。本文總結(jié)了使用MRI神經(jīng)影像開發(fā)的各種自動(dòng)化系統(tǒng)，以實(shí)現(xiàn)SZ的早期準(zhǔn)確檢測。研究結(jié)果表明，與其他診斷方法相比，sMRI和fMRI神經(jīng)影像為醫(yī)生提供了關(guān)于大腦功能的重要信息，有助于準(zhǔn)確診斷SZ。結(jié)合ML和DL技術(shù)的MRI模態(tài)已被應(yīng)用于幫助臨床醫(yī)生準(zhǔn)確診斷SZ。
第四節(jié)介紹了基于AI的計(jì)算機(jī)輔助診斷系統(tǒng)（CADS）在精神分裂癥（SZ）診斷中的應(yīng)用。首先，我們討論了使用機(jī)器學(xué)習(xí)（ML）技術(shù)診斷SZ的CADS，包括數(shù)據(jù)集、預(yù)處理、特征提取、特征選擇和分類方法。表2總結(jié)了使用ML技術(shù)進(jìn)行SZ診斷的研究。此外，本節(jié)還全面涵蓋了基于深度學(xué)習(xí)（DL）的CADS（表3）。 在第五節(jié)中，我們回顧了每年使用AI方法診斷SZ的一些研究，并討論了在SZ診斷研究中使用的ML和DL方法的數(shù)據(jù)集數(shù)量。我們還指出了SZ診斷研究中使用的MRI神經(jīng)影像模態(tài)的數(shù)量。用于SZ診斷的MRI模態(tài)的預(yù)處理工具在單獨(dú)的章節(jié)中進(jìn)行了總結(jié)。最后，我們討論了使用ML和DL方法診斷SZ的分類算法。
第六節(jié)討論了SZ診斷中的主要挑戰(zhàn)，包括數(shù)據(jù)集局限性、SZ診斷的復(fù)雜性、ML技術(shù)、DL模型和硬件資源不足。獲取大量病例的MRI數(shù)據(jù)集、多個(gè)病例的DTI模式以及不同年齡段各種SZ病例的MRI數(shù)據(jù)庫的困難是關(guān)鍵挑戰(zhàn)。研究人員缺乏合適的硬件資源也是關(guān)鍵問題。 第七節(jié)總結(jié)了利用MRI和AI技術(shù)進(jìn)行SZ診斷的未來工作。未來的研究可能會(huì)解決MRI數(shù)據(jù)集、ML方法、SZ治療方法、DL和康復(fù)工具方面的問題。根據(jù)已進(jìn)行的研究，未來可能會(huì)開發(fā)使用AI技術(shù)診斷SZ的應(yīng)用軟件，以幫助醫(yī)生快速診斷SZ。SZ診斷軟件將采用最先進(jìn)的DL模型和物聯(lián)網(wǎng)技術(shù)，以解決MRI數(shù)據(jù)存儲(chǔ)有限的問題。此外，開發(fā)基于AI算法的在線軟件用于SZ診斷也將成為可能。
如需原文及補(bǔ)充材料請?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群，原文也會(huì)在群里發(fā)布，如果我們的解讀對您的研究有幫助，請給個(gè)轉(zhuǎn)發(fā)支持以及右下角點(diǎn)擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關(guān)注思影
非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請直接點(diǎn)擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報(bào)名，報(bào)名后我們會(huì)第一時(shí)間聯(lián)系，并保留已報(bào)名學(xué)員名額）：
核磁：上海：
第七屆擴(kuò)散磁共振成像提高班（上海，4.14-19）
第八十一屆磁共振腦影像基礎(chǔ)班（上海，5.6-11）
第二十八屆腦影像機(jī)器學(xué)習(xí)班（上海，5.14-19）
第二十五屆磁共振腦影像結(jié)構(gòu)班（上海，5.23-28）
重慶：
第三十一屆擴(kuò)散成像數(shù)據(jù)處理班(重慶，4.7-12）
第七十九屆磁共振腦影像基礎(chǔ)班(重慶，4.14-19）
第九屆影像組學(xué)班（重慶，5.20-25）
第八十三屆磁共振腦影像基礎(chǔ)班(重慶，6.9-14）
南京：
第二十六屆磁共振腦影像結(jié)構(gòu)班（南京，4.10-15）
第十二屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（南京，4.22-27）
第三十二屆擴(kuò)散成像數(shù)據(jù)處理班(南京，5.9-14）
第八十二屆磁共振腦影像基礎(chǔ)班(南京，5.20-25）
第三十八屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（南京，6.7-12）
北京：
第八十屆磁共振腦影像基礎(chǔ)班（北京，4.19-24）
第二十七屆腦影像機(jī)器學(xué)習(xí)班（北京，5.5-10）
第十三屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班(北京，5.24-29）
第十屆影像組學(xué)班(北京，6.11-16）
腦電及紅外、眼動(dòng)：上海：
第三十一屆腦電數(shù)據(jù)處理入門班（上海，4.22-27）
第六屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（Matlab版本，上海，6.1-6）
第三十屆近紅外腦功能數(shù)據(jù)處理班（上海，6.12-17）
北京：
第十三屆腦電信號數(shù)據(jù)處理提高班（北京，4.11-16）
第二十九屆近紅外腦功能數(shù)據(jù)處理班（北京，5.14-19）
第三十九屆腦電數(shù)據(jù)處理中級班（北京，6.2-7）
重慶：
第三十二屆腦電數(shù)據(jù)處理入門班（重慶，5.9-14）
第七屆R語言統(tǒng)計(jì)班(重慶，5.31-6.4）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI）數(shù)據(jù)處理
思影科技腦結(jié)構(gòu)磁共振（T1)成像數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動(dòng)物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技影像組學(xué)（Radiomics）數(shù)據(jù)處理業(yè)務(wù)
思影科技DTI-ALPS數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)ASL數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長類動(dòng)物fMRI分析業(yè)務(wù)
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
思影科技眼動(dòng)數(shù)據(jù)處理服務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師(北京，上海，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
Artinis近紅外腦功能成像系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
