研究与代表性论文

Mental Health Mapping 融合了机器学习、神经科学、精神病学、神经病学和哲学。自2022年实验室成立以来,我们有幸与众多合作者一起,在这些领域的一流期刊和会议上发表论文。以下是实验室成员参与的部分代表性论文,每篇都附有简短摘要。论文标题保留英文原文,完整列表请见 Google Scholar。

Mental Health Mapping 的基础 基础 Mental Health Mapping 的结构 结构 Mental Health Mapping 的标志物 标志物 Mental Health Mapping 的模型 模型

点击主题,了解更多。

Mental Health Mapping 的基础

我们研究健康、障碍与疾病的基础问题,而在这些问题上,什么算作健康或常态往往并不清楚。这项工作为 Mental Health Mapping 奠定理论基础,同时纳入第一人称和第三人称视角。在所有研究主题中,我们都同精神与神经系统疾病患者、临床医生、哲学家和科学家合作。

示例问题:

收起

Mental Health Mapping 的结构

精神与神经系统疾病具有遗传性、共病性和异质性。其结构可能存在于个体的生物学层面,存在于个人、群体或社会各部分之间的互动之中,也可能来自环境压力。我们开展覆盖这些层面的大规模研究。

示例问题:

收起

Mental Health Mapping 的标志物

生物与非生物因素交织成一张复杂的网,在每个人身上产生症状,这也是我们对大多数精神疾病和部分神经系统疾病的标志物知之甚少的原因之一。我们希望借助多模态方法,发现其背后的隐藏因素。

示例问题:

收起

Mental Health Mapping 的模型

我们的大部分研究依赖于机器学习。我们针对大规模的影像、电生理、遗传、传感器、认知、行为和语言数据应用并开发方法,这些数据维度高,标签也往往不可靠。我们为自己设定了一个简单的基准:对于许多脑测量指标,设定合理的回归模型与更复杂的人工智能方法表现相当,我们会如实报告这一点。

示例问题:

收起

2026

A normative reference for large-scale human brain dynamics across the lifespan

Nature Neuroscience(已接收) · 预印本 ·
摘要

我们利用全生命周期中来自91个成像站点、一万余人的静息态 fMRI 数据,构建了人群规模的内在脑动力学常模参照。反复出现的脑状态将这些动力学与全生命周期常模联系起来,揭示了发育和老化趋势以及不同心理健康问题中的异质性改变,并使对个体脑动力学的评估成为可能。

Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis

npj Digital Medicine(已接收) · 预印本 ·
摘要

我们构建了一个大型多中心基准,用于评估脑成像中的深度无监督异常检测,训练数据为约46万张健康大脑切片。不同扫描仪、病灶类型和人口学特征之间的性能差异很大,揭示了未来算法必须克服的系统性偏差和方法学局限。

SIGMA-VAE: Sketched Isotropic Gaussian Multi-view Autoencoder for Normative Modeling

MICCAI (Main Track) · 论文 ·
摘要

我们提出 SIGMA-VAE,一种用于常模建模的多视图自编码器,具有良好的潜空间几何结构、稀疏且可解释的表征,以及按不确定性加权的偏离分数。该模型基于来自328台扫描仪的四万多份脑扫描数据训练,能够更灵敏地检测个体异常,可泛化到训练中未见过的扫描仪,在区分阿尔茨海默病时,在留出数据上的 AUC 为0.91,在外部数据上为0.87。

MedSAMix: A Training-Free Model Merging Approach for Medical Image Segmentation

AAAI (Main Track) · 论文 ·
摘要

我们提出 MedSAMix,一种无需训练的方法,可自动融合通用型(SAM)和专用型(MedSAM)分割模型。在25项医学图像分割任务中,它降低了偏差,并将泛化能力和特定领域的准确率最多提升6.7%。

From early to contemporary normative modeling: Mapping individual differences in neurophysiological signals

Imaging Neuroscience · 论文 ·
摘要

我们综述了在机器学习和大型数据集推动下,常模建模在脑电生理学领域的复兴:该领域正从基于年龄的小型模型走向经过数据协调、更加复杂的方法。我们认为,要从概念验证走向个体化的临床应用,需要国际合作、标准化的分析流程和新的特征。

2025

Hierarchical Characterization of Brain Dynamics via State Space-based Vector Quantization

MICCAI (Main Track) · 论文 ·
摘要

我们提出 HST,一种层级式状态空间分词网络,它将脑活动分解为稳定的“词元”,并追踪大脑在这些词元之间的转换。在两个独立数据集中,它比现有方法更清晰地刻画了这些动态变化。

A 10-year longitudinal study of brain cortical thickness in people with first-episode psychosis using normative models

Schizophrenia Bulletin · 论文 ·
摘要

我们利用常模模型发现,在部分首发精神病患者中,脑异常在十年间出现了趋于正常化的迹象。我们还发现,在纵向研究中对站点特异性变异进行建模至关重要,否则扫描仪和采集方案的变化可能会干扰结果。

2024

Characterising personalized neuropathology in dementia and mild cognitive impairment with explainable artificial intelligence

npj Digital Medicine · 论文 ·
摘要

我们训练了一个深度神经网络来预测痴呆,并利用可解释人工智能刻画个体差异。该模型能够提前多达七年,较为可靠地预测一个人是否会发展为痴呆。

Computational psychiatry and the evolving concept of a mental disorder

Synthese · 论文 ·
摘要

人们对传统精神障碍概念的不满日益增加,促使学界寻求一个连贯的精神病学研究与治疗框架。我们比较了常模建模、网络理论和学习理论方法等计算范式,并考察它们之间的相似之处、差异和潜在的概念冲突。

Mapping Cerebellar Anatomical Heterogeneity in Mental and Neurological Illnesses

Nature Mental Health · 论文 ·
摘要

我们基于五万多人的数据训练常模模型,描绘了小脑在整个生命周期中的发育轨迹。这些模型揭示了精神与神经系统疾病患者之间的个体差异。

2023

Regional, circuit and network heterogeneity of brain abnormalities in psychiatric disorders

Nature Neuroscience · 论文 ·
摘要

我们将常模模型应用于多种精神障碍,在体素、脑区和网络层面刻画个体偏离。在网络层面,不同个体之间的偏离重叠程度更高。

2022

Deep neural networks learn general and clinically relevant representations of the ageing brain

NeuroImage · 论文 ·
摘要

我们基于五万多人的数据训练深度神经网络来预测脑龄,并将其迁移到临床预测任务中,表明数据规模对神经影像中的深度学习至关重要。该模型经独立评测被列为最先进的脑龄模型之一,对领域偏移具有稳健性,但也表现出脑龄预测准确性与疾病检测能力之间已知的权衡。

Charting brain growth and aging at high spatial precision

eLife · 论文 ·
摘要

我们基于五万多人的数据,以高空间精度绘制了人脑的常模模型。这些模型可迁移到新样本,并已在线免费开放,供其他研究者使用。

The normative modeling framework for computational psychiatry

Nature Protocols · 论文 ·
摘要

我们阐述了面向计算精神病学的常模建模原理,并提供了易于使用的工具,用于在这一框架下分析数据。

2021

Replicating extensive brain structural heterogeneity in individuals with schizophrenia and bipolar disorder

Human Brain Mapping · 论文 ·
摘要

我们重复验证了此前的发现:精神分裂症和双相障碍患者各自表现出偏离常模大脑的个体化模式。此后其他研究团队也重复了这一发现,而且它同样适用于其他精神与神经系统疾病。

2019

Individual differences v. the average patient: mapping the heterogeneity in ADHD using normative models

Psychological Medicine · 论文 ·
摘要

我们在单个患者层面描绘了注意缺陷多动障碍(ADHD)的异质性:每位患者都表现出偏离常模大脑的独特模式,这扩展了我们在精神分裂症中的发现。

2018

Mapping the heterogeneous phenotype of schizophrenia and bipolar disorder using normative models

JAMA Psychiatry · 论文 ·
摘要

我们描绘了精神分裂症和双相障碍的异质性,发现每位患者都表现出偏离常模脑结构的个体化模式。媒体以“谁是精神病学中的平均患者?”为题报道了这一发现。此后,这一发现已在不同的数据模态、算法和样本中被多次重复验证。

2015

From estimating activation locality to predicting disorder: a review of pattern recognition for neuroimaging-based psychiatric diagnostics

Neuroscience & Biobehavioral Reviews · 论文 ·
摘要

我们发现,利用模式分类预测精神障碍时,准确率随样本量增大而下降,这与机器学习中通常观察到的情况相反。我们认为,这部分源于精神障碍的异质性,也源于发表偏倚,即表现良好但缺乏代表性的模型更容易得到发表。这项工作推动了关于交叉验证失效的讨论,并促使人们开发能够刻画这种异质性的方法。