基于CNN-Attention 算法的精神分裂癥分類

姚寧，張淼，陳宏濤

（太原理工大學(xué)信息與計(jì)算機(jī)學(xué)院，山西 晉中 030600）

精神分裂癥(Schizophrenia，SZ)主要癥狀包括患者情感、思維、行為、感覺、精神活動(dòng)等多方面的異常，且目前尚不明確其病因[1]。靜息態(tài)功能磁共振成像(resting-state functional Magnetic Resonance Image，rs-fMRI)因其時(shí)空分辨率高且不需要被試完成復(fù)雜任務(wù)已經(jīng)被廣泛用于精神疾病的研究[2]。利用rsfMRI 構(gòu)建腦區(qū)之間的功能連接矩陣，可以分析正常被試與SZ 患者大腦功能的差異，進(jìn)而為醫(yī)生診斷SZ患者提供幫助。

大部分fMRI 分類研究使用傳統(tǒng)機(jī)器學(xué)習(xí)算法，如支持向量機(jī)(Support Vector Machine，SVM)和隨機(jī)森林(Random Forest，RF)等[3]。雖然傳統(tǒng)機(jī)器學(xué)習(xí)方法已經(jīng)在fMRI 分類任務(wù)中表現(xiàn)出較好的性能，但其無法提取到深層特征，分類精度有待進(jìn)一步提升。近年來已有學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)等深度學(xué)習(xí)模型用于fMRI 分類研究中，并獲得了較高的分類精度[4]。然而以上研究大都只考慮到了腦區(qū)之間的靜態(tài)功能連接(static Function Connection，SFC)，腦區(qū)之間的連接還表現(xiàn)出了動(dòng)態(tài)的特性。通過構(gòu)建腦區(qū)之間的動(dòng)態(tài)功能連接(Dynamic Function Connection，dFC)，并與靜態(tài)功能連接結(jié)合使用可以更加全面地描述腦區(qū)之間的關(guān)系。

為了充分利用靜態(tài)和動(dòng)態(tài)功能連接，文中提出了CNN-Attention 深度學(xué)習(xí)模型。該模型將兩種功能連接作為特征輸入，利用CNN 網(wǎng)絡(luò)分別提取二者的特征，然后將特征合并后傳入全連接層分類。其中，CNN-Attention 模型在CNN 與全連接層之間加入了注意力機(jī)制，為提取后的特征進(jìn)行加權(quán)，提高模型分類的性能。在對(duì)121 位精神分裂癥患者和195 位正常被試進(jìn)行分類時(shí)，所提出的深度學(xué)習(xí)模型有較高的分類精度，且用實(shí)驗(yàn)證明，結(jié)合使用靜態(tài)和動(dòng)態(tài)功能連接能有效地提高模型的分類準(zhǔn)確率。

1 材料和方法

1.1 靜態(tài)功能連接

目前構(gòu)建腦網(wǎng)絡(luò)最常用的方法是皮爾遜相關(guān)法[5](Pearson’s Correlation，PC)，通過計(jì)算兩個(gè)腦區(qū)時(shí)間序列間的相關(guān)系數(shù)來構(gòu)建相關(guān)矩陣，即靜態(tài)功能連接矩陣。

兩個(gè)腦區(qū)間的皮爾遜相關(guān)系數(shù)表示為：

其中，xi、xj表示兩個(gè)腦區(qū)時(shí)間序列，Pij為時(shí)間序列間的皮爾遜相關(guān)系數(shù)，分別為xi、xj的平均值。

1.2 動(dòng)態(tài)功能連接

使用滑動(dòng)窗相關(guān)法(Sliding Window Correlation，SWC)計(jì)算腦區(qū)之間的動(dòng)態(tài)功能連接，所求得的動(dòng)態(tài)功能連接矩陣為一系列隨時(shí)間變化的相關(guān)系數(shù)矩陣，各個(gè)時(shí)間窗內(nèi)的矩陣代表了各腦區(qū)之間的相關(guān)性隨時(shí)間變化的情況[6]。用基于加權(quán)皮爾遜相關(guān)的滑動(dòng)時(shí)間窗法提取腦區(qū)間的動(dòng)態(tài)功能連接。加權(quán)皮爾遜相關(guān)將窗口之外的時(shí)間序列數(shù)據(jù)置為零，只保留窗口內(nèi)的數(shù)據(jù)[7]，任意兩個(gè)腦區(qū)時(shí)間序列x和y的加權(quán)皮爾遜相關(guān)可以表示為：

wi為權(quán)重向量，通過設(shè)置不同的wi來構(gòu)建不同的窗函數(shù)，該文使用錐形窗來提取腦區(qū)間的動(dòng)態(tài)功能連接，錐形窗與矩形窗的不同之處在于其為靠近窗口中心的時(shí)間點(diǎn)施加更大的權(quán)重[8]。wi表示為：

其中，rect 為矩形窗函數(shù)，其將時(shí)間窗外的數(shù)據(jù)置為0，時(shí)間窗內(nèi)的數(shù)據(jù)置為1，Gauss(σ) 為高斯窗函數(shù)，σ=mTR (1 TR 為2 s)。通過將矩形窗與高斯窗相卷積就可以得到錐形窗。

2 數(shù)據(jù)與實(shí)驗(yàn)

2.1 數(shù)據(jù)集和預(yù)處理

該文使用的數(shù)據(jù)集1 來自于由美國(guó)國(guó)立衛(wèi)生研究院資助，由腦網(wǎng)絡(luò)研究機(jī)構(gòu)(the Mind Research Network)和新墨西哥大學(xué)收集并公開的COBRE 數(shù)據(jù)集，可通過網(wǎng)站(http://fcon_1000.projects.nitrc.org/indi/retro/cobre.html)訪問和下載。COBRE 數(shù)據(jù)集中包含有71 位精神分裂癥患者和74 位健康被試。數(shù)據(jù)集2 為由加州大學(xué)洛杉磯分校發(fā)布的UCLA 數(shù)據(jù)集(https://openfmri.org/)，該數(shù)據(jù)集一共包含50 位精神分裂癥患者和121 位正常被試。該文將兩個(gè)數(shù)據(jù)集合并作為分類模型輸入。所有被試統(tǒng)計(jì)學(xué)資料見表1。

表1 人口統(tǒng)計(jì)學(xué)信息

所有SZ 患者均由醫(yī)師按美國(guó)精神疾病診斷與統(tǒng)計(jì)手冊(cè)第四版(Diagnostic and Statistical Manual of Mental Disorders，DSM-IV)診斷標(biāo)準(zhǔn)確診，同時(shí)排除可由DSM-IV 確診的患有其他精神疾病的被試以及過去12 個(gè)月內(nèi)有濫用藥物史、有5 min 以上意識(shí)喪失的嚴(yán)重頭部外傷史和智力低下的被試。健康被試同樣也通過DSM-IV 檢測(cè)，保證健康被試不患有任何精神疾病，同時(shí)保證沒有濫用藥物和頭部創(chuàng)傷

原始的fMRI 圖像中人腦的位置和大小不相同，且含有較多噪聲。文中使用SPM12(https://www.fil.ion.ucl.ac.uk/spm)以及DPARSF(http://www.rfmri.org/dpabi)對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理。為保持所有被試掃描時(shí)間相同且消除剛開始掃描時(shí)梯度磁場(chǎng)不穩(wěn)定造成的誤差，COBRE 數(shù)據(jù)集去除所有被試的前10 個(gè)時(shí)間點(diǎn)，UCLA 數(shù)據(jù)集去除前12 個(gè)時(shí)間點(diǎn)，對(duì)所有被試進(jìn)行時(shí)間層校正、頭動(dòng)校正，圖像配準(zhǔn)至蒙特利爾神經(jīng)研究所標(biāo)準(zhǔn)空間，重采樣體素為3 mm×3 mm×3 mm，回歸干擾信號(hào)和全局信號(hào)，帶通濾波(0.01～0.1 Hz)，使用自動(dòng)解剖標(biāo)記(Automated Anatomical Labeling，AAL)圖譜將腦部劃分為116 個(gè)腦區(qū)。

2.2 功能連接矩陣

靜態(tài)功能連接矩陣由腦區(qū)間的皮爾遜相關(guān)表示，可由公式（1）求取。動(dòng)態(tài)功能連接由加權(quán)皮爾遜相關(guān)求得，其中高斯窗的方差設(shè)置為4 TR，窗口大小設(shè)置為20 TR。經(jīng)實(shí)驗(yàn)證明，窗口寬度在15～30 TR之間時(shí)可以準(zhǔn)確提取rs-fMRI 中的動(dòng)態(tài)特性，若窗口過大會(huì)導(dǎo)致無法捕捉到有價(jià)值的功能連接變化，而窗口過小又會(huì)引入本不存在的動(dòng)態(tài)特性[9]。窗口每次移動(dòng)1 TR。提取靜態(tài)和動(dòng)態(tài)功能連接流程如圖1 所示。

圖1 提取靜態(tài)和動(dòng)態(tài)功能連接流程圖

2.3 CNN-Attention模型

該文提出了一種結(jié)合使用靜態(tài)和動(dòng)態(tài)功能連接的深度學(xué)習(xí)模型CNN-Attention。對(duì)于功能連接矩陣，該文沒有使用廣泛應(yīng)用于圖像識(shí)別中的(3×3)、(5×5)卷積核，而是利用一個(gè)卷積核為(116×1)和一個(gè)卷積核為(1×116)的CNN 層來對(duì)連接矩陣做特征提取。功能連接矩陣與圖像相差較大，圖像中類型相近的特征往往分布在幾個(gè)相鄰的像素之間，而功能連接中的特征與每個(gè)提取的腦區(qū)有關(guān)。功能連接矩陣中每一行/列代表一個(gè)腦區(qū)與其他腦區(qū)之間的相關(guān)性，這顯然與圖像不同，故(3×3)、(5×5)卷積核不適用于功能連接矩陣。而(1×n)和(n×1)卷積核(n為腦區(qū)的數(shù)量)可以為每個(gè)腦區(qū)提取與之相關(guān)的最具鑒別力的特征，CNN 層將不同的權(quán)重賦給每個(gè)連接值，權(quán)重大的連接值代表最具區(qū)分能力的特征。

CNN-Attention 模型沒有采用文獻(xiàn)[12]提出的將兩種特征矩陣組合為(116×116×2)的矩陣作為CNN網(wǎng)絡(luò)的輸入，組合兩種特征會(huì)使提取到的深層特征同時(shí)帶有靜態(tài)和動(dòng)態(tài)信息，雖然每個(gè)深層特征擁有更多的信息量，但也會(huì)導(dǎo)致注意力網(wǎng)絡(luò)無法關(guān)注到那些在靜態(tài)功能連接中不具鑒別力但在動(dòng)態(tài)功能連接中區(qū)別較大(或相反)的深層特征。該文利用卷積層分別對(duì)靜態(tài)和動(dòng)態(tài)功能連接進(jìn)行特征提取，之后將降維后的深層特征串聯(lián)作為注意力網(wǎng)絡(luò)的輸入，使注意力網(wǎng)絡(luò)表現(xiàn)出更好的效果。

CNN 網(wǎng)絡(luò)中，第一層濾波器個(gè)數(shù)為64 個(gè)，第二層為128 個(gè)。對(duì)于動(dòng)態(tài)功能連接，首先按窗口對(duì)動(dòng)態(tài)功能連接矩陣求平均，將其變?yōu)?116×116×1)的矩陣，這樣可以減少特征數(shù)量，提高學(xué)習(xí)速度，之后的特征提取與靜態(tài)功能連接相同。為提高訓(xùn)練精度和防止過擬合，在每個(gè)CNN 層后都加有批量標(biāo)準(zhǔn)化(Batch Normalization，BN)層并在第二個(gè)CNN 層后加入Dropout 層(丟棄率設(shè)置為25%)，激活函數(shù)使用LeakyReLU(alpha=0.01)。

近年來，注意力機(jī)制被廣泛應(yīng)用于深度學(xué)習(xí)模型中[10]。注意力機(jī)制可以使模型在眾多無關(guān)信息中分辨出最具鑒別力的特征，進(jìn)一步提高分類模型的分類精度。通過CNN網(wǎng)絡(luò)特征提取后，模型將兩個(gè)輸入為(116×116×1)的矩陣降維為兩個(gè)(1×1×128)的矩陣。將這兩組特征串聯(lián)起來作為注意力網(wǎng)絡(luò)的輸入。

注意力網(wǎng)絡(luò)包括兩層全連接層，第一個(gè)全連接層神經(jīng)元的個(gè)數(shù)是輸入特征數(shù)的1/4，為64 個(gè)，激活函數(shù)為L(zhǎng)eakyReLU，第二個(gè)全連接層神經(jīng)元個(gè)數(shù)與輸入特征數(shù)相同為256 個(gè)。這樣一方面減少了所要學(xué)習(xí)的參數(shù)個(gè)數(shù)(若輸入特征直接與第二個(gè)全連接層相連，需要學(xué)習(xí)的參數(shù)個(gè)數(shù)為256×256=65 536，在不考慮偏差的情況下，加入第一個(gè)全連接層后需要學(xué)習(xí)的參數(shù)個(gè)數(shù)為256×64+64×256=32 768，是之前的1/2)，同時(shí)加入LeakyReLU 激活函數(shù)增加了模型的非線性分類能力。第二層的激活函數(shù)為Sigmoid 函數(shù)，輸出(0,1)之間歸一化的權(quán)重，最后將所得到的權(quán)重與輸入的256 個(gè)特征相乘獲得加權(quán)后的特征。

將加權(quán)后的特征輸入神經(jīng)元個(gè)數(shù)為96，2 的全連接層，前一層激活函數(shù)為L(zhǎng)eakyReLU，最后一層激活函數(shù)為Softmax。模型結(jié)構(gòu)如圖2 所示。

圖2 CNN-Attention結(jié)構(gòu)示意圖

在本實(shí)驗(yàn)中，使用自適應(yīng)矩估計(jì)(Adaptive moment estimation，Adam)優(yōu)化器來最小化真實(shí)標(biāo)簽和預(yù)測(cè)標(biāo)簽之間的損失值，其學(xué)習(xí)率設(shè)置為0.000 1。損失函數(shù)為交叉熵?fù)p失，其公式為：

其中，n為樣本數(shù)量，yi為樣本真實(shí)標(biāo)簽，為模型預(yù)測(cè)的標(biāo)簽，L為損失值。

訓(xùn)練時(shí)，每批次選取32 個(gè)被試，一共訓(xùn)練150 個(gè)epoch。由于樣本數(shù)據(jù)有限，該文提出的深度學(xué)習(xí)模型可能存在過擬合的問題，為了減少這一問題對(duì)分類結(jié)果產(chǎn)生的影響，實(shí)驗(yàn)采用5 折交叉驗(yàn)證，結(jié)果取5 折交叉驗(yàn)證的平均值。

2.4 評(píng)估指標(biāo)

根據(jù)交叉驗(yàn)證的結(jié)果，該文使用靈敏度SN(Sensitivity)、特異性SP(Specificity)、分類準(zhǔn)確率ACC(Accuracy)和受試者工作特征曲線(Receiver Operating Characteristic，ROC)作為分類結(jié)果評(píng)估指標(biāo)。各個(gè)指標(biāo)計(jì)算方法如下：

其中，TP為真正例，即SZ患者被正確分類個(gè)數(shù)；FN為假反例，即SZ患者未被正確分類個(gè)數(shù)；FP為假正例，即正常被試被錯(cuò)誤分類個(gè)數(shù)；TN為真反例，即正常被試被正確分類個(gè)數(shù)；SN表示SZ 患者中預(yù)測(cè)正確的被試所占比例；SP表示健康被試中正確預(yù)測(cè)的被試所占比例；ACC為分類精度，即所有被試中預(yù)測(cè)正確的被試所占比例；FPR為假陽(yáng)性率，ROC 曲線的橫坐標(biāo)為FPR，縱坐標(biāo)為SN，曲線下面積(Area Under Curve，AUC)反映分類器性能，AUC 越大，分類器性能越好。

3 對(duì)比實(shí)驗(yàn)與結(jié)果

3.1 對(duì)比實(shí)驗(yàn)

為了證明CNN-Attention 模型擁有較好的分類性能，將其與一些經(jīng)典分類模型對(duì)比，所用到的傳統(tǒng)機(jī)器學(xué)習(xí)模型包括SVM 和RF，深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)、BrainNetCNN[11]和CCNN[12](Connectome-Convolutional Neural Network)。

SVM 模型首先利用PCA 進(jìn)行特征提取，保留95%的主成分，然后將特征輸入到線性SVM 中，懲罰因子設(shè)置為0.1。RF 的最大深度為13，基決策樹的數(shù)量為111。

卷積神經(jīng)網(wǎng)絡(luò)使用兩層核函數(shù)為(3×3)一層卷積核為(5×5)的CNN 層，每層濾波器的個(gè)數(shù)分別為32，64，128，每個(gè)CNN 層后都有BN 層、最大池化層和Dropout 層，最后用神經(jīng)元個(gè)數(shù)分別為128，2 的全連接層整合特征并完成分類，模型中激活函數(shù)均為L(zhǎng)eakyReLU(alpha=0.01)。通過對(duì)比卷積神經(jīng)網(wǎng)絡(luò)與CNN-Attention 模型，比較不同卷積核對(duì)模型分類性能的影響。

BrainNetCNN 使用原文中提到的兩層E2E 層、一層E2N 層和一層N2G 層，最后將卷積層得到的特征與四層神經(jīng)元個(gè)數(shù)為256，128，30，2 的全連接層相連并通過Softmax 激活函數(shù)分類。

CCNN 使用與原文中相同的結(jié)構(gòu)，即兩層卷積核分別為(1×116)和(116×1)的卷積層和兩層神經(jīng)元個(gè)數(shù)為96，2 的全連接層。

為控制無關(guān)因素的影響，所有模型中使用的損失函數(shù)和優(yōu)化器與前文相同，均為交叉熵?fù)p失函數(shù)和Adam 優(yōu)化器，訓(xùn)練150 個(gè)epoch，每批次被試個(gè)數(shù)均為32，且都進(jìn)行了5 折交叉驗(yàn)證。

為考察靜態(tài)與動(dòng)態(tài)功能連接對(duì)經(jīng)典網(wǎng)絡(luò)分類性能的影響，分別將二者作為模型的輸入，考察分類器的性能。對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)，提取靜態(tài)和動(dòng)態(tài)功能連接矩陣的對(duì)角線上半部分并串聯(lián)作為模型的輸入。對(duì)于深度學(xué)習(xí)模型，將靜態(tài)功能連接矩陣與動(dòng)態(tài)功能連接矩陣組合為(116×116×2)的矩陣作為輸入。同時(shí)將CNN-Attention 中的注意力網(wǎng)絡(luò)去除來測(cè)試注意力網(wǎng)絡(luò)對(duì)模型的影響，以及將靜態(tài)與動(dòng)態(tài)功能連接組合為(116×116×2)的矩陣作為模型輸入來考察不同特征提取策略對(duì)分類結(jié)果的影響。

3.2 實(shí)驗(yàn)結(jié)果

表2 為使用靜態(tài)功能連接、動(dòng)態(tài)功能連接和二者結(jié)合的分類結(jié)果。CNN-Attention 模型在結(jié)合使用動(dòng)態(tài)和靜態(tài)功能連接時(shí)得出了最高的分類準(zhǔn)確率為79.11%和最高的AUC 為0.841。且相較于單獨(dú)使用兩種特征，結(jié)合使用使分類準(zhǔn)確率提升了4.14%。SVM 擁有最高的靈敏度為77.77%，隨機(jī)森林有最高的特異性為93.33%。圖3 為結(jié)合使用靜態(tài)和動(dòng)態(tài)功能連接時(shí)模型的ROC 曲線。

圖3 ROC曲線

表2 不同方法的分類結(jié)果

將CNN-Attention 模型中注意力網(wǎng)絡(luò)去除后，得到的分類準(zhǔn)確率為76.25%，與原模型相比下降了2.86%。將CNN-Attention 模型中靜態(tài)和動(dòng)態(tài)功能連接組合為(116×116×2)的矩陣作為輸入，得到的分類準(zhǔn)確率為74.03%，與原模型相比下降了5.08%。

4 結(jié)果分析

4.1 模型分析

從實(shí)驗(yàn)結(jié)果可以看出，結(jié)合使用靜態(tài)和動(dòng)態(tài)功能連接可以有效地提高深度學(xué)習(xí)模型的性能，證明靜態(tài)和動(dòng)態(tài)功能連接互為補(bǔ)充，二者結(jié)合使用可以為疾病的識(shí)別提供更多有鑒別力的特征。同時(shí)也表明大腦是一個(gè)動(dòng)態(tài)的系統(tǒng)，綜合考慮大腦的靜態(tài)和動(dòng)態(tài)特性可以更好地描述腦區(qū)之間的關(guān)系。

相比于傳統(tǒng)機(jī)器學(xué)習(xí)算法，深度學(xué)習(xí)模型的分類精度更高，這是因?yàn)樯疃葘W(xué)習(xí)模型可以提取到腦功能連接中有價(jià)值的深層信息，體現(xiàn)出深度學(xué)習(xí)方法在處理多被試、高維度腦功能連接數(shù)據(jù)時(shí)的優(yōu)勢(shì)。

相比于BrainNetCNN，CNN-Attention 需要學(xué)習(xí)的參數(shù)較少，準(zhǔn)確率較高，避免了由于網(wǎng)絡(luò)過于復(fù)雜而引起的過擬合問題。而與CCNN 相比，CNNAttention 將兩種特征分開進(jìn)行特征提取，并加入注意力網(wǎng)絡(luò)來進(jìn)一步對(duì)特征加權(quán)，有效提高了分類準(zhǔn)確率。CNN 模型的準(zhǔn)確率低于其他深度學(xué)習(xí)模型，可以證明(1×n)和(n×1)卷積核對(duì)功能連接數(shù)據(jù)提取特征要優(yōu)于(3×3)、(5×5)卷積核。

4.2 最具鑒別力的腦區(qū)

以往研究表明，相比于正常被試，精神分裂癥患者腦區(qū)間復(fù)雜的相互作用發(fā)生了改變。且這種連接的異常不僅存在于單個(gè)腦區(qū)，而是存在于全腦中[13]。

為了考察精神分裂癥患者哪些腦區(qū)相比于正常被試發(fā)生了改變，該文對(duì)模型中權(quán)重的分布進(jìn)行了分析。分別考察了靜態(tài)功能連接與動(dòng)態(tài)功能連接第一個(gè)卷積層的權(quán)重，二者均為(64×116)的權(quán)重矩陣。通過將矩陣中每一列權(quán)重的絕對(duì)值相加，得到兩個(gè)(1×116)矩陣。這兩個(gè)矩陣分別代表了dFC 與sFC 中各個(gè)腦區(qū)在分類中的重要程度。選擇其中排名前十的腦區(qū)作為具有鑒別力的腦區(qū)，所選腦區(qū)如表3 和圖4 所示。

表3 sFC和dFC中具有鑒別力的腦區(qū)

圖4 最具鑒別力的腦區(qū)

結(jié)果表明，模型從sFC 與dFC 中提取到的重要腦區(qū)并沒有明顯的重合，雖然二者都與腦區(qū)之間的皮爾遜相關(guān)，但dFC 關(guān)注的是一段時(shí)間內(nèi)腦區(qū)之間相關(guān)性的變化情況。相較于sFC，dFC 更加關(guān)注SZ 患者與正常被試之間小腦的差異，且有研究表明，精神分裂癥患者小腦動(dòng)態(tài)功能連接存在異常[14]。sFC把更多的權(quán)重分給了大腦區(qū)域，已有研究證實(shí)SZ 患者后扣帶回、前扣帶和旁扣帶腦回以及中央后回存在異常[15-16]。

5 結(jié)論

文中基于卷積神經(jīng)網(wǎng)絡(luò)和注意力網(wǎng)絡(luò)提出了CNN-Attention 網(wǎng)絡(luò)模型，利用動(dòng)態(tài)和靜態(tài)功能連接矩陣作為輸入來對(duì)精神分裂癥患者進(jìn)行分類。通過實(shí)驗(yàn)證明，相較于只使用靜態(tài)或動(dòng)態(tài)功能連接，結(jié)合使用二者會(huì)有效提高模型分類性能，且該文提出的模型擁有較高的分類精度。此外還找出了兩種特征對(duì)分類結(jié)果影響較大的腦區(qū)，結(jié)果與以往研究一致，可以為精神分裂癥的發(fā)病機(jī)制及生物學(xué)標(biāo)志物的確定提供線索，為精神疾病的預(yù)防與治療提供幫助。