Protocol Update: The Normative Modelling Paradigm for Computational Psychiatry

本文作为协议更新，全面回顾了规范性建模的方法学进展，修订了神经影像数据分析的标准协议，提供了适用于不同经验水平研究者的开源实践指南，并发布了涵盖多种脑成像模态的更新模型。

要点

这篇论文其实是在教我们如何给大脑画一张"成长曲线图"，就像儿科医生给小朋友量身高、体重，然后画在图表上，看看孩子长得是不是正常一样。只不过，这次的对象是大脑，而且是用超级复杂的电脑算法来画的。

下面我用几个生活中的比喻，把这篇论文的核心内容讲给你听：

1. 核心概念：什么是“规范建模”（Normative Modelling）？

想象一下，你想知道一个人的身高是不是“异常”。

• 旧方法（病例对照）：以前医生会把人分成两堆，一堆是“生病的”，一堆是“健康的”，然后比较这两堆人的平均身高。但这有个大问题：生病的人里，有的高有的矮，健康的人里也是有的高有的矮。这种“一刀切”的方法没法解释为什么。
• 新方法（规范建模）：这篇论文推广的方法，是先收集成千上万个健康人的数据，画出一条标准的“成长曲线”。这条曲线不仅告诉你“平均身高是多少”，还告诉你“在这个年龄，95% 的人身高都在这个范围内”。
  • 然后，当你拿一个具体的病人来测试时，你不需要把他和“平均人”比，而是看他的数据偏离这条曲线有多远。
  • 比喻：这就好比看天气预报。以前我们只说“今天平均气温 20 度”，现在我们有“气温分布图”。如果今天气温是 35 度，我们不仅知道它热，还能算出它偏离正常范围了多少个“标准差”，从而判断这是否属于极端异常。

2. 为什么要更新这个“工具包”？（PCNtoolkit）

作者们开发了一个叫 PCNtoolkit 的软件工具箱，就像给科学家提供了一套乐高积木，让他们能更容易地搭建这些“大脑成长曲线”。

这次更新（从 2022 版到 2026 版）主要做了四件大事：

A. 让模型更聪明（处理非正常数据）

以前的模型假设大脑数据像钟形曲线（大多数人在中间，两头少）。但现实很骨感，有些数据就是歪的或者奇怪的。

• 比喻：以前的尺子只能量直的东西，现在他们给尺子加了“弹性”，能测量弯曲、扭曲的形状，不管数据长得多怪，都能画准曲线。

B. 能看“时间流逝”（纵向模型）

以前的模型是拍“照片”，只能看某个人在 10 岁和 20 岁分别在哪条线上。现在的模型能拍“视频”。

• 比喻：以前我们只能知道孩子 10 岁高不高。现在，如果我们连续测这个孩子几年的身高，模型能算出他的生长速度。如果他的生长速度突然变慢（比如从长高线掉到了矮个线），哪怕他现在的绝对身高还在正常范围内，模型也能立刻报警：“嘿，这孩子最近发育不对劲！”这对监测精神分裂症或痴呆症的早期变化非常有用。

C. 保护隐私的“秘密会议”（联邦学习）

这是最酷的一点。以前要建一个大模型，得把所有人的大脑数据都集中到一个大服务器上，这涉及隐私泄露风险。

• 比喻：现在，他们发明了一种“秘密会议”模式。
  • 医院 A、医院 B、医院 C 都不把病人的数据拿出来。
  • 大家只把“学到的经验总结”（模型参数）互相传递。
  • 就像几个厨师各自在自己家厨房做菜，做完后只交换“食谱心得”，而不交换“食材”。最后大家都能得到一本超级完美的食谱，但谁也没看到别人的食材。

D. 让新手也能上手

作者把这个工具箱彻底“大扫除”和“重新装修”了。以前可能像操作复杂的工业机床，现在像操作智能手机一样简单，提供了很多现成的代码例子，让不懂编程的医生也能用。

3. 具体怎么操作？（流程简述）

论文里给了一个详细的“说明书”：

1. 选数据：找一堆健康人的大脑扫描数据（就像收集身高数据）。
2. 清洗数据：把那些扫描模糊的、填错年龄的“坏数据”挑出去（就像把身高记录错误的表格扔掉）。
3. 画曲线：用电脑算法，根据年龄、性别等因素，画出大脑不同部位（比如皮层厚度）的“正常范围带”。
4. 算偏差：把病人的数据放进去，算出他的“偏离分”（Z-score）。
   • 如果分数很高，说明他的大脑在这个部位比同龄人“异常”很多。
5. 看结果：生成图表，医生一眼就能看出哪里出了问题。

4. 这对我们有什么意义？

• 从“治群体”到“治个人”：以前精神科看病，是看“抑郁症群体”的平均表现。现在，医生可以拿着这个工具，对具体的某个人说：“你的大脑发育曲线在这个年龄段偏离了正常轨道，这解释了为什么你会有这些症状。”
• 精准医疗：这就像给大脑做了一次精密的体检，不再是大海捞针，而是精准定位。
• 隐私安全：通过联邦学习，我们可以在不泄露患者隐私的前提下，利用全球的数据来训练更聪明的 AI 医生。

总结

这篇论文就是给精神科和神经科医生提供了一套全新的“大脑尺子”和“绘图工具”。它不再简单地给病人贴标签（有病/没病），而是通过对比“健康的大数据标准”，精准地量化每个人大脑的独特性和异常程度，并且在这个过程中，既保护了隐私，又让分析过程变得更灵活、更智能。

这就好比以前我们只能凭感觉说“这孩子长得有点怪”，现在我们能拿出数据说：“这孩子的身高在 100 万人里排第 99 万，而且他的生长速度在过去半年里异常放缓，我们需要关注。”这就是精准精神医学的未来。

技术摘要

这是一份关于《计算精神病学中的规范建模范式：协议更新》（Protocol Update: The Normative Modelling Paradigm for Computational Psychiatry）的技术总结。该论文由 Augustijn A.A. de Boer 等人撰写，旨在更新和扩展用于神经影像数据分析的规范建模（Normative Modelling, NM）标准协议，特别是针对开源工具包 PCNtoolkit 的 1.x.x 版本。

以下是详细的技术总结：

1. 研究背景与问题 (Problem)

• 传统方法的局限性： 计算精神病学领域长期依赖“病例 - 对照”（Case-Control）分析。这种方法假设疾病是离散的类别，无法捕捉生物学和行为的连续性及异质性，导致难以发现具有临床意义的生物标志物。
• 个体化分析的需求： 为了推动精准医疗，需要从群体水平的统计推断转向个体水平的推断。即，不仅要了解群体平均值，还要量化个体相对于健康人群分布的偏离程度（分位数）。
• 现有工具的滞后： 尽管规范建模（NM）已广泛应用，但近期的方法学进步（如非高斯分布建模、纵向数据建模、联邦学习）尚未完全整合到现有的标准化工具中。原有的 PCNtoolkit 版本（0.x.x）在架构上已难以维护，且缺乏对新功能的支持。
• 数据隐私与共享挑战： 在医疗数据隐私日益严格的背景下，如何在不共享原始数据的情况下进行大规模模型训练和更新是一个关键难题。

2. 方法论 (Methodology)

该论文提出了一套基于 PCNtoolkit 1.x.x 的标准化分析协议，核心方法论包括：

• 规范建模框架 (Normative Modelling Paradigm)：

  • 利用大规模参考数据集（通常是健康人群）建立生物学指标（如脑区体积、皮层厚度）与协变量（如年龄、性别、站点）之间的映射关系。
  • 估计群体分布的均值和分位数（Centiles），从而计算个体的Z 分数（偏离正常范围的统计量）。
  • 通过分层贝叶斯回归（HBR）等算法，将协变量和批次效应（如扫描站点）的影响从偏离分数中剥离，使 Z 分数主要反映病理或个体特异性变异。

• 核心算法升级：

  • 分层贝叶斯回归 (HBR)： 支持非中心化参数化（Non-centered parameterization）以提高采样效率。
  • 多样化似然函数： 支持 Normal（正态分布）、SHASHb（处理无界非对称数据）和 Beta（处理有界区间数据）似然函数，以适应不同类型的神经影像数据分布。
  • 纵向建模： 引入 Z-diff 分数和速度模型（Velocity modelling），用于量化个体在不同时间点之间的分位数跨越（Centile crossing），从而检测疾病进展或治疗反应。

• 联邦学习 (Federated Learning) 策略：

  • 模型迁移 (Model Transfer)： 将参考模型的知识蒸馏到新站点，通过应用信息先验分布来估计局部模型系数，无需共享原始数据。
  • 模型扩展 (Model Extension)： 利用新站点的数据更新参考模型，使其覆盖更广的协变量范围。
  • 模型合并 (Model Merging)： 将两个或多个独立训练的模型合并为一个统一模型。

• 工作流程标准化：

  • 涵盖了从数据选择、质量控制（QC）、缺失值处理、异常值检测、训练/测试集划分，到模型拟合、评估（收敛性诊断、校准度检查）及可视化的完整流程。

3. 关键贡献 (Key Contributions)

1. PCNtoolkit 的重大重构 (v1.x.x)： 发布了完全重构的 Python 开源工具包，提供了更友好的接口、更稳健的模型估计技术以及面向对象的设计，便于社区扩展。
2. 更新的标准化协议： 提供了针对 PCNtoolkit 1.x.x 的详细分析协议，替代了 2022 年的旧版协议。
3. 功能扩展：
   • 首次系统性地集成了非高斯分布建模（SHASHb, Beta）。
   • 引入了纵向规范建模流程，支持跨时间点的个体轨迹分析。
   • 实现了完整的联邦学习工作流，解决了多中心数据隐私问题。
   • 提供了模型比较工具（基于 WAIC 准则）和数据合成/协调方法。
4. 开源资源与社区模型： 提供了基于数万人的全生命周期参考模型（皮层厚度、体积、扩散成像等），并建立了 PCNPortal 以促进社区贡献和模型共享。
5. 可复现性： 提供了完整的代码示例、Jupyter Notebook 教程以及详细的软件环境配置说明，确保研究结果的可复现性。

4. 结果 (Results)

• 模型性能验证： 在 FCON1000 和 OpenNeuro 临床数据集（抑郁症等）上的测试表明，新协议能够准确拟合皮层厚度等指标。
• 收敛性与校准： 通过马尔可夫链蒙特卡洛（MCMC）诊断（如 $\hat{R} \le 1.01$, ESS > 1000）和分位数 - 分位数（QQ）图验证，模型表现出良好的收敛性和校准度，能够准确估计条件分布。
• 联邦学习有效性： 演示了在不共享原始数据的情况下，成功将参考模型迁移到本地数据集，并展示了模型扩展和合并的可行性。
• 纵向分析能力： 成功应用 Z-diff 分数识别了个体在时间序列上的分位数跨越，证明了该方法在追踪疾病进展（如精神分裂症、痴呆）中的潜力。

5. 意义与影响 (Significance)

• 推动精准精神病学： 该协议将精神病学研究从传统的群体平均比较推向了个体化偏差量化，为早期诊断、预后预测和个性化治疗提供了强有力的统计工具。
• 解决数据孤岛问题： 通过联邦学习功能，使得在保护患者隐私的前提下，利用全球多中心数据进行大规模建模成为可能，极大地扩展了参考样本的多样性和代表性。
• 方法学标准化： 为计算精神病学领域提供了一套统一、透明且可复现的分析标准，减少了不同研究间因方法差异导致的不可比性。
• 社区驱动发展： 通过开源工具和协作门户（PCNPortal），鼓励全球研究人员贡献新模型和新算法，加速了该领域的技术进步。

总结：
这篇论文不仅是一次软件工具的更新，更是计算精神病学研究范式的升级。它通过整合先进的贝叶斯统计方法、联邦学习架构和纵向分析框架，构建了一个强大且灵活的生态系统，使研究人员能够更准确地描绘大脑发育与衰老的“生长曲线”，并精准识别个体的病理偏离，为精神疾病的精准医疗奠定了坚实的方法学基础。