人们在看电影，研究者们在看着大家——上海市精神卫生中心杨志课题组、王继*课题组和北京师范大学秦绍正课题组联合发展了一种利用视频诱发异常脑活动，进而帮助识别精神障碍的新方法。
该方法构建健康人在观看一段视频时的脑活动“常模”，并将每个人观看视频时的脑活动与该模型对比，从而较准确地识别精神障碍患者。
实验研究结果表明该方法能较准确地识别首发精神分裂症，成果已在线发表于神经影像领域的旗舰期刊Neuroimage(5年影响因子:6.9）。
精神障碍的生物标志一直是研究者努力探索的目标，但是由于症状与病理机制的对应关系复杂，脑影像研究者一直面对着巨大的个体差异：
每个患者的脑异常表现都很不同
“各有各的病法”。
寻找某一诊断类型的患者共同的脑异常特征还不足以帮助准确地依据脑异常识别精神障碍患者（甚至识别患病风险）。
这一次，研究者采用了一种策略来识别个体的脑功能异常，更有针对性地发现每个患者的脑活动异常。
当人们观看引人入胜的电影情节时，大家会感到自己可能在与很多人产生“共鸣”。这时候，人们的脑活动会变得与其他人的更加相似。
视频展示了两个人看同一场景时，他们的脑活动在一些情节下变得更加相似，注：该视频可能引起一定的不适，请谨慎。视频由研究团队制作，素材：公益广告及研究结果。然而，并不是所有人都会产生“共鸣”。
精神障碍患者对某些情境的理解可能与常人不同，因而他/她在这些情境下的脑活动也可能与其他人不同。
根据这一思想，研究者构建了健康人在观看一段视频时的脑活动“常模”。它刻画了在视频的不同情节中，健康人的脑活动在哪些位置比较一致。每个人在观看该视频时的脑活动都与这个“常模”进行对比。这样就能看到每一个人的脑活动与健康人相比有什么不同。将这些不同作为分类特征，机器学习算法可以对每一个人是健康人还是精神障碍患者进行“猜测”。
本研究利用44名健康人在观看视频时的脑活动数据构建了健康人“常模”，并采用62名首发精神分裂症患者的数据与“常模”对比，筛选出了有效的判别特征（图1），并训练了机器学习判别模型。研究者应用交叉验证和独立的20例数据（10名健康人，10名首发精神分裂症患者）验证了该判别模型的准确性（72%-95%，图2）。
这一新方法帮助研究者了解每个精神障碍患者的脑活动异常情况，有望广泛应用于个体化的精神障碍诊断和早期风险评估。
该工作受到科技部重点研发计划（YFC，YFC）、国家自然科学基金（，，）、上海市教委“高峰高原计划”、上海市卫健委优秀学科带头人培养计划、上海交通大学“晨光”优秀学者激励计划的支持。
图1.利用44名健康人和66名首发精神分裂症患者在观看视频时的脑活动数据发现的脑活动特征
健康人具有较高一致性、且患者与健康人不一致的脑区。颜色代表这些脑区的最大差异出现在视频的不同情节下。B和C具体展示了两个情节诱发的高度一致的健康人脑活动（蓝色线）及其出现的脑区。与健康人相比，患者的脑活动更不一致。
图2.判别模型的准确率和特征权重
A.每个个体的脑活动的相似性。每个点代表一个个体，距离越近表示脑活动特征越相似。蓝色点代表健康人，红色点代表患者。具有圆圈的点为用于验证判别模型准确率的独立数据，圆圈的颜色为判别模型的“猜测”。若圆圈与点具有同一颜色，代表判别模型正确地识别了该个体。B.判别模型对不同脑区的特征赋予的权重。权重高意味着该脑区的患者与健康常模的差异对判别模型贡献越大。全文参见ZhiYang,JinfengWu,LihuaXu,ZhengzhengDeng,YingyingTang,JiaqiGao,YangHu,YiwenZhang,ShaozhengQin,ChunboLi,JijunWang().Individualizedpsychiatricimagingbasedoninter-subjectneuralsynchronizationinmoviewatching,NeuroImage,在线