Exploring Primary and Interaction Effects of Minor Physical Anomalies: Development and Validation of Prediction Models Using Explainable Machine Learning Algorithms for Early‑Onset Schizophrenia.
研究背景
精神分裂症是遗传与环境因素共同作用导致的神经发育异常类疾病，其中早发型精神分裂症（EOS）患者症状更重、社会功能损害更明显、遗传负荷更高，临床亟需可靠的早期识别工具。本研究旨在挖掘EOS相关轻微躯体异常（MPAs）的主效应与交互效应，开发可解释的EOS风险预测模型。
方法速览
研究共纳入549名精神分裂症患者（含193名EOS患者、356名成人发病型精神分裂症AOS患者）及420名健康对照，采用varSelRF、递归特征消除（RFE）两种特征选择算法识别关键MPAs变量，对比逻辑回归、弹性网络回归、随机森林、支持向量机、XGBoost等多种模型的预测性能，以AUC、敏感性、特异性、准确性等指标评估模型效果。
核心发现
关键MPAs标志物明确：口部异常、面部宽度、高拱形腭是区分EOS与健康对照的核心MPAs变量，在EOS患者中水平显著升高；高拱形腭、舌面平滑‑粗糙斑点是区分AOS与健康对照的核心变量；唇裂长度可有效区分EOS与AOS，在EOS患者中显著更长。
变量交互效应显著：口部异常与颅面MPAs存在显著交互效应，唇裂长度在EOS与AOS的区分中与其他变量交互效应突出，进一步体现了MPAs用于疾病诊断的复杂性。
预测模型性能优异：XGBoost模型区分EOS与健康对照的表现最优，AUC达0.93；AOS与健康对照的区分模型AUC为0.85‑0.87，EOS与AOS的区分模型AUC为0.67‑0.77。
总结与展望
本研究首次采用机器学习算法挖掘MPAs在EOS中的主效应与交互效应并构建预测模型，为EOS的早期诊断和干预提供了有力工具。但研究仅纳入中国台湾人群，结果的种族普适性有待验证；同时采用的线性测量方法无法完全覆盖颅面三维结构，MPAs检测也无法直接反映潜在的神经发育异常，后续仍需进一步优化研究设计提升模型适用性。