简要总结：

该研究聚焦于一个问题是：不同研究中心使用结构 MRI 比较同一诊断患者与健康对照时，得到的全脑灰质差异空间图到底能否彼此重复。该研究汇集59个精神疾病扫描站点的个体水平 T1 加权 MRI 数据，覆盖精神分裂症、分裂情感性障碍、自闭症谱系障碍、重性抑郁障碍和双相障碍，共2,437例患者和2,065名不重复健康对照，并以7个阿尔茨海默病站点作为具有明确神经退行性病理和较强结构效应的参照。对纳入SBM和VBM分析的数据分别采用统一处理流程，SBM用于估计皮层厚度，VBM用于估计灰质体积；由于质控标准不同，两条分析路线的最终站点和受试者数量并不完全一致。随后，研究分别获得各站点的患者—对照差异图，并通过站点间两两空间相关计算跨站点一致性。结果显示，阿尔茨海默病的皮层厚度差异图具有中等至较高一致性，中位相关为0.54；五类精神障碍均明显更低，其中最高的精神分裂症和分裂情感性障碍也只有约0.16和0.15，自闭症、抑郁和双相障碍更接近零。阈值化、增加平滑、改用不同脑区模板、是否使用ComBat、改变协变量以及采用VBM 均没有从根本上改变结论。站点之间年龄、性别、药物、病程、扫描仪和图像质量等 19 项差异总体也不能解释低一致性。样本量增加可以明显改善精神分裂症和分裂情感性障碍的结果，但对自闭症、抑郁和双相障碍的改善较弱；模拟提示后者可能需要每组约千人才能获得中等水平的一致性。该文献的核心意义并不是否认精神障碍存在脑结构异常，而是指出：在当前诊断分类、传统患者—对照组均值比较和常见小样本条件下，难以获得稳定、具有临床可操作性的诊断级平均脑图。未来需要更大规模的跨站点协作、开放数据、统一临床表型、跨诊断分层、个体异质性建模以及多模态和多变量方法。

摘要：

背景：数十年的结构MRI研究反复报告精神障碍患者存在灰质体积或皮层厚度差异，但不同研究常常在涉及脑区甚至差异方向上相互矛盾，迄今缺少可用于诊断、疗效预测或疾病监测的共识性形态学表型。

目的：评估同一精神障碍在不同扫描站点获得的患者—对照灰质差异图是否具有稳定的空间一致性，并系统检验分析流程、样本特征、扫描因素与样本量对可重复性的影响。

方法：整合五类精神障碍59个站点的个体水平T1 MRI，并用7个阿尔茨海默病站点作为阳性参照。分别采用 FreeSurfer 表面形态学分析皮层厚度和 CAT12/SPM 体素形态学分析灰质体积；每个站点独立建立一般线性模型，获得全脑 z 图或 t 图；以站点间差异图的 Pearson 空间相关衡量跨站点一致性，并结合保留空间自相关的零模型、标签置换、阈值化复制率、平滑、分区、ComBat、协变量、19 项站点特征、bootstrap 和信噪比模拟进行验证。

结果：阿尔茨海默病的皮层厚度差异图中位跨站点相关为0.54；精神分裂症0.16、分裂情感性障碍0.15、自闭症0.04、抑郁0.01、双相障碍0.06。除自闭症和抑郁外，其余疾病的中位相关虽然高于空间零模型，但效应仍很低，不足以形成稳定的诊断级形态图。常用分析选择仅产生轻微改变，站点特征总体不能解释差异。精神分裂症在每组约 200 人时中位一致性可接近 0.5，而抑郁、自闭症和双相障碍可能需要远大于传统单中心研究的样本量。   

结论：以当前诊断体系为分组依据、依赖每组少于100人的独立单中心结构 MRI 患者—对照研究，很难通过不断重复小样本研究自然收敛到可靠的精神障碍形态学表型。改进方向不只是扩大样本，还包括重新定义更同质的临床或生物亚型、显式建模个体异质性、使用跨诊断和多模态指标，并建设可共享的个体或体素水平数据资源。

1. 引言

精神疾病的生物学研究长期建立在这样一个基本设想上：不同诊断类别应当对应相对明确、可重复且具有诊断特异性的脑部病理改变。自MRI技术应用于精神疾病研究以来，结构MRI尤其是T1加权成像被广泛用于比较患者与健康对照之间的灰质体积和皮层厚度差异，相关研究数量已经非常庞大，也不断有文献报道额叶、颞叶、扣带回、纹状体、丘脑等区域存在形态学异常。然而，几十年的研究并没有形成被广泛接受、能够用于诊断、疗效预测或疾病进展监测的稳定形态学表型。更突出的问题是，即使研究对象属于同一种精神疾病，不同研究报告的异常脑区和变化方向也常常不一致，同一个区域可能在部分研究中表现为体积或厚度降低，在另一些研究中却表现为升高。这种不一致提示，单篇研究中达到统计学显著的脑区，并不一定代表可以跨样本、跨中心稳定重复的疾病特征，也不能简单等同于真正具有临床应用价值的生物标志物。造成这种现象的原因可能包括不同研究在患者病程、症状严重程度、发病年龄、药物暴露和人口学特征方面存在差异，不同团队采用的图像处理流程、平滑参数、脑区分区和统计方法并不一致，传统单中心研究样本量较小，使效应量估计容易受到抽样波动影响，以及经典病例—对照设计主要比较组平均值，难以处理精神疾病内部高度显著的个体异质性。除此之外，还存在更根本的问题：结构MRI只能间接反映宏观脑形态，空间分辨率和病理机制特异性有限；目前以症状为基础的诊断系统本身也可能缺乏足够的生物学同质性，同一种诊断可以由多种不同症状组合构成，并且不同诊断之间经常存在共病和症状重叠。在这种情况下，将具有不同病因、不同神经生物学基础和不同脑部异常模式的患者简单归入同一诊断组，再计算平均病例—对照差异，很可能得到一个并不能准确代表多数个体的平均异常图谱，由此进一步放大不同研究之间的不一致。

因此，该研究所关注的并不是某一种精神疾病到底萎缩了哪个脑区，而是提出了一个更基础的问题：按照当前精神疾病诊断体系和常用结构MRI研究范式得到的灰质形态学差异，究竟能否在不同研究中心之间形成稳定、可重复的空间模式。这里的可重复性并不是指同一批数据重复分析后能否得到相似结果，而是指不同站点分别招募患者和健康对照、独立计算病例—对照差异图后，这些全脑统计图在空间分布上是否彼此相似。为回答这一问题，该研究引入了跨站点一致性，即cross-site consistency，CSC，将每个站点得到的皮层厚度差异图或灰质体积差异图进行两两空间相关，从而定量衡量不同中心是否识别出了相似的疾病相关脑形态模式。如果两个站点的CSC较高，说明患者相对健康对照的异常区域及变化方向比较一致；如果CSC接近零，说明两项研究得到的全脑差异图缺乏共同结构；若相关为负，则可能意味着两个中心在部分区域甚至得到相反方向的结果。与只比较显著脑区是否重叠相比，这种方法能够利用整个统计图中的连续效应信息，更直接地评价疾病形态学表型是否真正具备跨中心稳定性。该研究还将阿尔茨海默病作为参照，因为阿尔茨海默病具有相对明确的神经退行性病理基础和较稳定的脑萎缩模式，如果同样的分析方法能够在阿尔茨海默病中获得较高CSC，而在精神疾病中只能得到很低的一致性，就说明低重复性并不只是MRI技术或统计方法本身造成的，而可能反映精神疾病表型更弱、异质性更高或当前诊断分类与真实脑病理之间对应关系不足。

在具体设计上，该研究汇集了59个独立站点中2,437例精神疾病患者和2,065名健康对照，覆盖精神分裂症、分裂情感性障碍、自闭症谱系障碍、重性抑郁障碍和双相障碍五类疾病，并额外纳入7个阿尔茨海默病站点、654例患者和937名对照作为神经退行性疾病基准。每个站点均使用统一的图像处理和统计分析流程，分别通过表面形态学方法估计皮层厚度，通过体素形态学方法估计灰质体积，再在站点内部建立一般线性模型，得到患者与健康对照之间的全脑差异统计图，随后计算站点之间的空间相关。统一处理流程实际上为跨站点一致性提供了一个相对乐观的估计，因为现实文献中不同研究团队往往还会采用不同软件、不同参数和不同统计策略，真实研究之间的一致性可能更低。为了判断低CSC是否只是某种分析选择造成的，该研究进一步系统考察了统计图是否阈值化、是否进行多重比较校正、采用不同平滑核、使用体素或脑区水平分析、选择不同分区尺度以及是否进行ComBat站点效应校正等因素；同时还分析了年龄、性别构成、样本量、病例—对照比例、药物暴露、发病年龄、病程、扫描仪品牌、型号、体素大小和图像质量等站点特征，判断具有更相似临床或扫描条件的站点是否会获得更相似的脑形态差异图。最后，该研究利用Bootstrap重采样和模拟分析评估样本量对CSC的影响，核心目的不是简单回答“样本越大是否越好”，而是区分两种情况：一种是疾病确实存在共同形态学表型，只是小样本无法稳定检测，此时扩大样本应明显提高跨站点一致性；另一种是同一诊断内部的共同脑形态信号本身非常弱，个体差异和测量噪声占主导，即使不断增加样本，一致性提高也可能十分有限。通过这一整套分析，该研究试图判断当前常见的小样本、单中心、病例—对照结构MRI研究是否有可能最终收敛到稳定的精神疾病形态学表型，并进一步为未来应该扩大样本、重构诊断分组，还是转向多变量、网络化和个体异质性分析提供方法学依据。

2. 方法

2.1研究设计与研究对象

该研究整合开放数据库和合作团队提供的个体水平 T1 加权 MRI。数据整理阶段共收集到133项研究、165个独立扫描站点；一个站点按具体扫描仪定义，因此同一研究若使用多台扫描仪可贡献多个站点。研究最初也检索了注意缺陷多动障碍、强迫障碍和焦虑障碍，但可获得数据不足，未进入正式分析。补充表S1逐项列出了 ABIDE、B-SNIP、COBRE、HCP-EP、OASIS、SRPBS、UCLA-CNP 等数据来源及获取方式。

正式精神障碍分析包括精神分裂症、分裂情感性障碍、自闭症谱系障碍、重性抑郁障碍和双相障碍。表面形态学分析中，精神分裂症为24个站点、1,054例患者；分裂情感性障碍为 8 个站点、272 例患者；自闭症为5个站点、229例患者；抑郁为8个站点、462 例患者；双相障碍为14个站点、420例患者，共2,437例患者。摘要报告不重复健康对照为2,065名；主文表1按疾病逐行列出的对照数不能直接相加，因为部分多诊断站点共享同一批对照。阿尔茨海默病参照包含7个站点、654 例患者和937名对照。

体素形态学分析因质控和处理要求不同，样本量有所减少。补充表S2显示：阿尔茨海默病7个站点、603例患者和732名对照；精神分裂症17个站点、800例患者和964 名对照；分裂情感性障碍6个站点、187例患者和307名对照；自闭症5个站点、249 例患者和250名对照；抑郁8个站点、397例患者和466名对照；双相障碍9个站点、307例患者和 530名对照。由于不同疾病可共享站点和对照，报告总结为VBM共 2,427 例病例、2,353名对照、42个独立扫描站点。

精神障碍样本限制在18–60岁，阿尔茨海默病样本为 42–95 岁。每个站点必须同时具有来自同一扫描仪的病例和对照，并且质控后每个诊断组至少保留20人。选择20人作为下限并不是认为这一规模足够可靠，而是为了保留文献中常见的小样本站点，同时避免极端小样本进一步拉低一致性。SBM 质控结合FreeSurfer表面重建的人工检查、MRIQC自动图像质量指标和 Euler number。MRIQC提取42项质量特征，在每个站点内部进行主成分分析，保留解释80%方差的主成分；任何主成分标准化得分超过 z=3.5 的受试者被标记并人工复核。平均 Euler number 低于站点均值 3.29 个标准差的受试者也被排除。最终 SBM 包括阿尔茨海默病与精神障碍合计 3,091例病例和 3,002名对照、66个站点。VBM 质控采用CAT12报告的加权图像质量等级，综合噪声—对比度、不均匀性与空间分辨率；IQR大于2.8的图像被排除，并人工检查灰质分割与空间归一化。由于SBM和VBM的质控标准不同，两条分析路线不是完全相同的受试者集合，这反而提供了一个重要的稳健性检验。

2.2表面形态学分析：皮层厚度

SBM使用FreeSurfer 7.1.0。流程包括偏置场校正、去除非脑组织、组织与脑区分割、白质表面和软脑膜表面重建、球面配准到 fsaverage，并以白质表面与软脑膜表面之间的平均距离估计每个顶点的皮层厚度。fsaverage 每侧半球包含 163,842 个顶点。主分析使用10 mm FWHM 表面平滑，敏感性分析使用15 mm 和20 mm。

每个站点独立建立GLM，以年龄和性别作为协变量，得到患者—对照皮层厚度差异的 z 统计图。补充分析进一步加入Euler number或颅内容积，以检验图像质量或全局头颅大小是否影响跨站点一致性；区域水平分析使用Desikan–Killiany、Schaefer-100、Schaefer-500和 Schaefer-1000图谱。

2.3 体素形态学分析：灰质体积

VBM使用CAT12 8.1、SPM12和MATLAB。处理包含空间自适应非局部均值去噪、重采样、偏置校正、仿射配准、统一分割、精细分割与去颅骨、局部强度校正、部分容积估计，以及通过Geodesic Shooting标准化到MNI152NLin2009cAsym 空间。主分析使用6 mm FWHM 体积平滑，敏感性分析使用 8 mm 和 12 mm，并以灰质组织概率不低于0.2的共同掩膜限制统计范围。

每个站点分别进行体素水平GLM，协变量为年龄、性别和总颅内容积，得到病例—对照灰质体积差异的t图。区域分析使用Schaefer-100/500/1000 皮层分区，并加入 Melbourne 32个皮层下分区和Buckner 7个小脑分区。

2.4 ComBat的作用与边界

主分析先用ComBat调整站点效应，批次变量为站点，同时保留年龄、性别和诊断相关变异。这样做的目的，是尽量去除扫描仪和站点造成的整体偏移，使剩余差异更接近生物学信号。由于现实文献通常不会在彼此之间共同进行ComBat，该处理可能使跨站点一致性被乐观估计；因此该研究又完整重复了不使用ComBat的分析。需要特别强调，ComBat可以减少系统性批次差异，但不能把本来不同的疾病效应空间模式“协调”为相同模式。

2.5 站点一致性计算

对于每种疾病，每个站点先得到一张全脑患者—对照差异统计图。随后将任意两个站点的未阈值化统计图进行Pearson空间相关；相关系数越接近1，表示两个站点在哪些位置增厚或减薄、增大或减小以及相对强弱上越一致；接近0表示空间模式缺乏共同结构；负值表示差异方向呈反向关系。所有站点两两相关后形成一个对称的站点×站点 CSC 矩阵，中位相关作为该疾病整体跨站点一致性的概括。

这里的CSC不是同一个人在重复扫描中的测量信度，也不是某个单一脑区效应量的重复性。它衡量的是不同站点独立病例—对照比较所得整张空间差异图的相似程度。一个疾病可以在某些研究中存在显著脑区，但若这些显著脑区在另一个站点的位置或方向不同，CSC仍会很低

图 1跨站点一致性分析流程

2.6 空间自相关零模型与统计分析

脑图相邻位置天然相似，直接把空间相关与零比较可能产生偏差。SBM使用 eigenstrapping 生成1,000份保留原图空间自相关的替代脑图；VBM使用 BrainSMASH 生成1,000份匹配空间自相关的替代体积图。每次根据替代图构建CSC 矩阵，从而得到疾病中位CSC的经验零分布。研究还通过100次随机打乱病例和对照标签、重新估计组间差异图，建立另一套置换零模型。

观察到的 CSC 高于零模型意味着站点间存在超过随机空间结构的共同模式，但不等于这种共同模式已经足够强、足够稳定或具有临床价值。例如精神分裂症中位r=0.16 虽可高于零模型，却仍远低于阿尔茨海默病的0.54。该研究把统计上非随机与实际可重复明确区分开来。

主分析优先使用未阈值化统计图，因为其保留全部效应信息。为模拟常见论文只展示显著簇的做法，研究还分别应用未校正P<0.05和簇水平FWER校正 P<0.05，将病例高于对照与低于对照的显著位置二值化。随后计算二值相关，并计算复制率，即一个站点显著位置在另一个站点重复出现的比例。

阈值化结果尤其容易受样本量和显著性边界影响：两个站点可能具有相似但都未过阈值的弱效应，也可能只有很少显著位置，使二值相关和复制率不稳定。因此，阈值化分析在该研究中属于对传统呈现方式的检验，而不是替代未阈值化CSC的主要指标。研究系统改变四类常见选择：表面平滑从10 mm增至15/20 mm，体素平滑从6 mm 增至8/12 mm；从顶点或体素水平改为不同分辨率的脑区分区；比较使用和不使用ComBat；在 SBM 中加入 Euler number、ICV 或平均皮层厚度。补充图S3–S10 和扩展数据图3–6 分别展示这些结果。

2.7 站点特征与样本量分析

该研究为每对站点计算19项相似性指标，包括年龄均值和方差、男女数量和比例、病例与对照人数、总人数、病例—对照比例、药物暴露、图像质量均值和方差、发病年龄均值和方差、病程均值和方差、扫描仪厂商、型号及体素大小。每项特征都形成站点×站点相似性矩阵，再以Spearman相关和5,000次 Mantel置换检验其与CSC矩阵的对应关系。

为估计样本量对一致性的影响，该研究把每种疾病的所有病例和所有对照分别合并为总体，再随机抽取两个年龄和性别尽量匹配的伪站点。每个伪站点含病例和对照各N 人，N按对数尺度取10、16、25、40、63、100、158、251、398；精神分裂症最大可到 527。每个样本量重复 100 次，得到 CSC 分布，并对阈值化图和不同分区重复。

这种bootstrap提供的是在统一处理、病例与对照平衡且数据已合并的条件下，样本量能够达到的一致性近似，因此可能偏乐观；另一方面，合并数据来自不同病程和不同中心，又保留了真实异质性。因此，结果更适合被理解为粗略的规模需求，而不是精确的最低样本量公式。

由于某些疾病可用的最大样本有限，研究建立简化模拟：每名个体的脑图由随机个体差异与患者组共同疾病向量叠加构成，参数α控制共同疾病表型相对于个体变异和测量噪声的强度。每组样本从10增至10,000，观察不同信噪比下 CSC 如何变化。该模拟用于解释为什么增加样本有时有效、有时几乎无效，但原文明示模型过于简化，不能据此直接估算现实疾病的真实信噪比。

3. 结果

3.1 皮层厚度差异的跨站点一致性

在主分析的左半球SBM未阈值化统计图中，阿尔茨海默病表现出明显高于精神疾病的跨站点一致性：7个站点之间的相关范围为0.43–0.71，中位数为0.54。相比之下，精神分裂症的相关范围为−0.15–0.40，中位数仅0.16；分裂情感性障碍为0.04–0.32，中位数0.15；自闭症谱系障碍中位数0.04；重性抑郁障碍中位数0.01；双相障碍中位数0.06。也就是说，即使在精神障碍中相对最高的精神分裂症和分裂情感性障碍，两个独立站点的全脑差异图通常也只有很弱的空间相似性；自闭症、抑郁和双相障碍的大多数站点对则集中在零附近，部分站点对甚至呈负相关。

空间自相关零模型检验显示，阿尔茨海默病、精神分裂症、分裂情感性障碍和双相障碍的观察中位CSC高于随机期望，而自闭症和抑郁未能稳定超过零模型。这里必须区分统计上高于随机与绝对一致性较高：精神分裂症和分裂情感性障碍虽然可能存在一个可检测的共同形态学信号，但中位相关约0.15仍然很低，不能据此认为现有单中心研究已经获得稳定的疾病脑表型。图2中不同站点对最高与最低相关脑图的明显差异，直观展示了同一诊断下异常区域和方向可在站点之间大幅变化。

图 2 不同疾病左半球SBM病例–对照差异图的两两CSC及其分布

这一结论并不依赖左半球或单一形态指标。扩展数据图1显示左右半球的SBM分布基本一致；扩展数据图2将指标替换为包含皮层、皮层下结构和小脑的VBM灰质体积后，仍然得到阿尔茨海默病最高，精神分裂症与分裂情感性障碍相对较高，自闭症与抑郁接近随机的总体层级。由于SBM与VBM使用不同的软件、空间表示、质量控制标准和最终样本，这种跨方法重复说明低CSC不是某一种形态学算法的偶然产物。

扩展图 1 SBM左、右半球结果比较，显示低CSC并非由单侧半球驱动

扩展图 2 VBM灰质体积t图的跨站点一致性，整体疾病排序与SBM主分析相似

补充图S1和S2进一步比较了两类统计零模型：一类通过置换病例与对照标签重新生成差异图，另一类通过eigenstrapping或BrainSMASH生成保留原始空间自相关结构的替代脑图。两类零模型得出的判断基本一致，说明结果并非依赖特定随机化方法。阿尔茨海默病观察分布与零分布清楚分离；精神分裂症和分裂情感性障碍存在较弱但可检测的共同模式；自闭症和抑郁的观察值则与随机期望高度重叠。

补充图S1  SBM观察CSC与标签置换零模型及eigenstrapping空间自相关零模型的比较

补充图S2  VBM观察CSC与标签置换零模型及BrainSMASH空间自相关零模型的比较

3.2 数据处理与分析流程对CSC的影响

研究接下来系统检验低CSC是否主要由常见的数据处理和统计选择造成。首先，将连续的未阈值化统计图转换为P≤0.05未校正或簇水平多重比较校正后的二值显著图，不但没有提高一致性，反而使站点间二值相关和复制率进一步下降。校正后许多精神障碍站点几乎没有可重复的显著位置，大部分结果落入空间零模型范围。该发现说明，只报告通过显著性阈值的脑区会丢失分布广泛但效应较弱的共同信息，并使结果更容易受到样本波动和显著性边界变化影响；显著脑区重叠少反映的是跨站点稳定性不足，而不是证明患者不存在任何结构异常。SBM和VBM的阈值化结果分别见扩展数据图3和补充图S3。

扩展图 3 SBM阈值化差异图的跨站点二值相关和复制率

补充图 3 VBM未校正及簇水平校正差异图的二值相关和复制率

其次，增加空间平滑只能带来很有限的改善。精神分裂症SBM中位CSC从10 mm平滑时的0.16上升到20 mm时的0.22；VBM中从6 mm的0.18升至12 mm的0.20。与此同时，更大平滑核也扩大了站点对相关分布的离散程度，说明改善并非所有站点普遍发生，而是部分站点对相关升高、另一些仍然不一致。更重要的是，对阈值化图而言，增加平滑并没有实质提高二值相关或复制率。扩展数据图4与补充图S4展示未阈值化CSC的平滑敏感性，补充图S5和S6则专门显示不同平滑核下阈值化SBM和VBM结果，四组分析共同表明换一个更大的平滑核无法解决精神疾病形态学表型的不稳定问题。

扩展图 4 SBM在10、15和20 mm平滑核下的未阈值化CSC

补充图 4 VBM在6、8和12 mm平滑核下的未阈值化CSC

补充图S5  不同平滑核下SBM未校正阈值图的二值相关和复制率

补充图S6  不同平滑核下VBM未校正阈值图的二值相关和复制率

再次，将顶点或体素数据平均到脑区后，CSC平均仅提高不超过约10%，低分辨率分区通常获得稍高相关，但同时牺牲了解剖精细度，并增加部分疾病的站点间方差。粗分区本质上兼具空间平均和降维作用，因此相关升高不能直接解释为发现了更真实、更特异的疾病脑区。扩展数据图5在SBM中比较Desikan–Killiany、Schaefer-100、500和1000分区，补充图S7在VBM中比较不同Schaefer尺度，二者均显示分区只带来有限改善，精神疾病与阿尔茨海默病之间的巨大差距仍然存在。

扩展图 5 SBM在不同脑区分区尺度下的空间相关、二值相关和复制率

补充图 7 VBM在Schaefer-100、500和1000分区下的CSC、二值相关和复制率

最后，站点效应协调和额外协变量同样不能解释低一致性。无论是否先使用ComBat校正扫描站点差异，SBM和VBM的CSC分布均没有明显改变，说明简单的站点整体偏移不是主要矛盾。在SBM模型中额外加入Euler number或颅内容积后，结果仍然相近；在区域分析中加入平均皮层厚度作为协变量，部分CSC甚至略有下降。扩展数据图6、补充图S8、S9和S10形成了一组完整的敏感性证据：低CSC在协调方法、图像质量协变量、颅内容积协变量和整体皮层厚度校正后仍然存在。综合阈值、平滑、分区、ComBat与协变量分析，当前常用技术选择只能使数值发生小幅波动，不能把接近零的精神疾病跨站点一致性转变为类似阿尔茨海默病的稳定表型。

扩展数据图6  SBM使用与不使用ComBat时的CSC比较

补充图S8  VBM使用与不使用ComBat时的CSC比较

补充图S9  SBM在年龄和性别基础上进一步加入Euler number或颅内容积后的CSC

补充图S10  不同分区尺度下，加入平均皮层厚度协变量前后的SBM CSC

3.3 临床、人口学与MRI特征对CSC的影响

为判断站点之间样本构成或扫描条件越相似是否会产生越相似的疾病差异图，研究为每对站点构建了19项特征相似性指标，包括平均年龄及年龄方差、男性与女性人数、性别比例、病例数、对照数、总样本量、病例–对照比例、药物暴露、图像质量、发病年龄及其方差、病程及其方差、扫描仪品牌、扫描仪型号和体素大小，再使用Mantel检验关联特征相似性矩阵与CSC矩阵。SBM结果中所有关联的中位数为零，Bonferroni校正后仅自闭症出现女性人数与性别比例两项显著关联，而且方向是站点性别构成越不相似，CSC反而越高。由于只有3个自闭症站点包含女性，该结果极易受少数站点影响，不能作为稳定解释。VBM中19项因素均未通过校正。

因此，年龄、样本量、病例–对照比例、粗略药物状态、扫描仪参数和图像质量等站点级汇总差异，不能系统解释为什么精神疾病形态图跨站点不一致。但这并不等于临床异质性或扫描差异完全没有影响：该分析只能使用站点平均值或总量，无法检验具体药物类别和剂量、症状维度、共病、物质使用、病程阶段及个体层面的影像异质性。更准确的结论是，低CSC不能被这些较粗粒度、容易获得的站点特征简单“归因掉”，其背后更可能涉及诊断构念内部的真实生物异质性和共同疾病信号较弱。

图3  SBM CSC与19项站点人口学、临床、样本及MRI特征相似性的关系

扩展图 7  VBM中相同19项特征均未通过多重比较校正

3.4 样本量对CSC的影响

纳入的59个精神疾病站点具有典型的小样本研究规模：患者组中位数为38人，对照组为49人；最小站点为每组21人，最大约为115例患者和145名对照。研究将每种疾病的病例与对照分别汇总，再按照预设样本量反复抽取两个年龄和性别匹配的“伪站点”，每个样本量重复100次并计算两张差异图的CSC。Bootstrap结果显示，样本量增加对不同疾病并非同样有效。阿尔茨海默病、精神分裂症和分裂情感性障碍的CSC随样本量增加而明显上升，而自闭症、抑郁和双相障碍仅有边际改善。最大可用伪站点样本下，阿尔茨海默病的平均r_boot,max为0.87，精神分裂症为0.73，自闭症仅0.20；在各疾病都能达到的N=100时，阿尔茨海默病中位CSC约0.75，精神分裂症约0.36，其余疾病均低于0.31。精神分裂症在每组超过约150人后上升加快，并在每组约200人时达到中位r≈0.5；分裂情感性障碍呈相似趋势，但可用样本更少。

经验数据对自闭症、抑郁和双相障碍的大样本范围覆盖有限，因此研究又建立了简化信噪比模拟。模拟假设每名患者的脑图由一个组内共享疾病向量与个体差异/测量噪声叠加构成，共同疾病表型的信噪比决定扩大样本的收益。当信噪比很高时，小样本已经可以稳定恢复共同模式；当信噪比极低时，即使样本很大，CSC仍然提高缓慢；只有在中等信噪比条件下，增加样本最有效。例如在信噪比约0.2时，每组样本从10增加到250可使平均CSC从约0.2提高到约0.8。将模拟与经验曲线对照，自闭症、抑郁和双相障碍更接近低信噪比情形，可能需要每组约1,000人的数量级才有机会获得r>0.5，但这一数字只能作为量级提示，不能当作精确样本量阈值。

图4传达的核心不是所有研究只要扩大样本就一定能重复，而是样本量能否解决问题取决于诊断组内是否存在足够强的共同形态学信号。精神分裂症谱系可能具有较弱但可通过数百例样本逐渐显现的共同表型；自闭症、抑郁和双相障碍则可能由于病因和临床表型更异质，单纯沿用当前病例–对照平均差异框架，即使增加到中等规模也难以获得稳定结果。扩展数据图8显示阈值化二值相关和复制率的样本量效应，扩展数据图9表明不同分区尺度下结论一致，扩展数据图10则验证改变模拟样本范围、脑图维度和重复站点数量并不改变平均趋势。

图 4 Bootstrap经验曲线与信噪比模拟

扩展图 8 样本量对阈值化统计图二值相关和复制率的影响

扩展图 9 不同脑区分区尺度下的样本量一致性关系

扩展图 10 不同样本范围、重复次数和模拟信噪比条件下的CSC结果

总体而言，结果构成了一条较完整的证据链：五类精神障碍的灰质形态病例–对照差异图在独立站点间普遍缺乏稳定空间模式，这一结论同时存在于皮层厚度与灰质体积、左右半球、连续统计图与显著性二值图中；阈值化、平滑、脑区分区、ComBat和额外协变量只能产生小幅变化，站点级人口学与扫描特征也不能提供系统解释；扩大样本对精神分裂症谱系较有帮助，但对共同表型信号更弱、个体异质性更高的疾病，可能需要数量级更大的队列以及超越传统组平均比较的新分析框架。

4. 讨论

4.1传统小样本研究不会自然收敛

讨论部分首先想解决一个假设：只要不断积累设计良好的独立研究，最终就会形成共识性精神障碍脑表型。该研究显示，在当前普遍采用的诊断分组、结构 MRI 指标和每组不足 100 人的研究规模下，站点间平均 CSC 从未超过 0.16。也就是说，问题并不是研究数量还不够，而是每项研究估计的空间模式受到弱共同信号、个体异质性和抽样误差支配；继续重复同样规模和同样设计，很难依靠数量自然形成稳定共识。

4.2分析流程并非主要矛盾

多团队分析同一数据时，不同处理选择确实会造成差异，因此统一流程是必要的。但该研究在统一软件和统计框架下仍观察到低 CSC，并且对阈值、平滑、分区、协调和协变量进行了广泛敏感性分析。结果说明，方法差异可能使现实文献的一致性进一步下降，却不是精神障碍低一致性的根本来源。换言之，标准化流程可以减少一部分技术噪声，但不能创造一个在患者群体中本来就很弱或高度异质的共同形态模式。

4.3 精神分裂症谱系存在较弱但可放大的共同表型

精神分裂症和分裂情感性障碍的 CSC 虽低，却高于其他精神障碍，并随样本量出现明确上升。这说明它们可能存在可识别的平均形态学表型，只是效应远弱于阿尔茨海默病。扩大到每组约 200–400 人，可以较明显地抑制个体差异、站点差异和抽样波动。多中心联盟和数据池化因此是最现实的路径，而不是要求每个单中心独立完成数百例。同时，精神分裂症较高的共同信号也可能部分来自病例来源偏倚。三级医疗中心更容易纳入病情较重、病程更长或功能受损更明显的患者，使组间结构效应更强、更同质。该研究无法完全区分较高 CSC 是疾病本身具有更稳定的病理基础，还是样本招募造成了更强的平均表型。

4.4样本量增加对自闭症、抑郁和双相障碍影响

这三类疾病的经验 CSC 接近零，样本量曲线较平。有限数据不能证明增加样本无效，但提示共同诊断级信号相对于个体变异很弱。若患者内部包含多个具有不同病因和不同脑区异常的亚群，把所有人求平均会相互抵消；即使大样本最终能检出统计学差异，这个平均差异也可能无法描述多数个体。因此，未来方向不能只有做更大样本。更关键的是提高表型信噪比，即用遗传亚型、症状维度、认知表型、病程阶段、治疗反应、RDoC 或 HiTOP 等框架形成更同质的群体；也可以使用无监督聚类、规范模型、亚型与阶段推断、多变量或网络方法，直接刻画个体偏离，而不是只比较诊断组均值。DSM 诊断主要依据症状组合，同一诊断可以由大量不同症状路径满足，并存在高度共病。若一个诊断实际上包含多个病理机制，就不应期待它对应一张唯一、稳定的平均灰质图。该文献把低 CSC 解释为对现有诊断生物学有效性的一个警示：影像研究可能需要从为现有标签寻找脑区转向利用跨诊断维度和个体异常重新组织临床表型。

4.5 结构MRI形态指标可能缺乏机制特异性

灰质体积和皮层厚度是宏观、间接指标，受到神经元、胶质、树突、髓鞘、血管、细胞外空间和发育差异等多种因素共同影响。即使统计上存在组间差异，也很难对应单一病理机制。讨论部分因此提出，不同疾病可能需要不同成像模态：例如精神病性障碍的 F-DOPA PET 能较稳定地显示纹状体多巴胺异常；抑郁中的某些功能 MRI 活动指标效应可能强于皮层厚度。该研究建立的 CSC 框架可以用来比较不同模态究竟哪一种能形成更稳定的疾病表型。

4.6 结果与临床含义

低 CSC 说明不同站点得到的诊断组平均空间图不稳定，并不否定个体患者存在真实结构异常，也不否定某些大样本荟萃分析能够检测到微弱平均效应。它还不等同于 T1 MRI 测量本身测试—重测信度差；同一人的皮层厚度可以相当稳定，但不同患者的异常位置可能不同。更准确的表述是：当前类别下的共同平均疾病地图信噪比较低，难以支撑小样本研究间直接比较或临床个体判断。

若一个形态学表型不能跨站点稳定重复，就很难直接用于诊断、风险预测、疾病监测或靶点选择。未来临床标志物开发应在独立站点外部验证，并明确区分组水平效应与个体水平预测。对于神经调控等治疗研究，直接把单个小样本组间差异脑区作为刺激靶点风险较高；更合理的做法是先识别生物学更同质的亚组，再验证其异常网络或脑区是否可重复并与症状和治疗反应相关。

5. 研究局限性与未来方向

该研究整合的是既有数据，而非前瞻性统一采集队列。不同站点的临床评估、招募渠道、治疗状态和扫描协议仍然异质；统一流程和 ComBat 使结果接近一种乐观上限，现实文献中的处理差异可能使可重复性更低。每组至少 20 人的站点门槛排除了更小、可能更不稳定的研究，也可能略微抬高 CSC。部分数据集中同一批对照被用于多个诊断比较，站点对之间也不是完全独立；虽然研究采用矩阵和置换框架处理推断，结果仍应理解为跨数据生态的整体估计。

临床与扫描因素分析使用站点级汇总值，无法充分评估具体药物类别和剂量、症状维度、共病、物质使用、社会经济背景、族群、病程阶段及个体级交互作用。尤其自闭症只有 5 个站点，女性样本极少；自闭症、抑郁和双相障碍缺少每组超过 150–250 人的经验伪站点，因此“每组约千人”的估计主要来自简化模拟和外部大样本参照，不能作为固定样本量标准。

该研究只考察横断面 T1 MRI 的诊断组平均灰质体积和皮层厚度，不涉及白质、扩散、功能连接、代谢、神经递质、纵向变化或治疗反应；也没有直接检验个体分类、预后预测或规范偏离。CSC 衡量的是空间模式的一致性，不等同于效应大小、测试—重测信度或临床效能。粗分区和平滑可能通过空间平均提高相关，却牺牲解剖精度；阈值化图在显著位置很少时容易出现大量零值。阿尔茨海默病参照的年龄、病程同质性和病理效应强度也与精神障碍不同。

未来研究应优先建设大型、开放、可共享体素或顶点水平数据资源，在多中心统一采集基础上进行独立外部验证；采用跨诊断且可协调的症状、认知和功能量表，按遗传、病程、症状维度或治疗反应识别更同质亚组；使用规范模型、混合效应模型、聚类、亚型—阶段模型、多变量和网络方法显式描述个体异质性；比较结构 MRI、扩散 MRI、静息态或任务 fMRI、PET、MRS 和多模态融合的跨站点稳定性；在纵向和干预队列中验证候选表型是否真正反映疾病进展和临床改变。

6． 结论

该研究表明，五类精神障碍的患者—对照灰质形态差异图在典型单中心样本规模下跨站点一致性很低，明显弱于阿尔茨海默病。低一致性不能主要归因于阈值、平滑、分区、ComBat、常见协变量或粗粒度站点特征。扩大样本对精神分裂症谱系帮助明显，但对自闭症、抑郁和双相障碍可能需要数量级更大的队列，并同时重构诊断分层和分析范式。该文献真正推动的不是“寻找下一个显著脑区”，而是要求精神影像学把可重复性、个体异质性和独立验证放在生物标志物开发的中心。

精读分享

研究背景

结构 MRI 研究长期尝试为精神分裂症、自闭症、抑郁和双相障碍等诊断寻找稳定灰质表型，但不同研究报告的脑区和方向常不一致。以往通常将这种不一致归因于扫描仪、预处理、样本构成或小样本，却缺少对整个疾病差异图在不同站点之间到底有多像的直接量化。该文献以阿尔茨海默病为阳性参照，系统检验当前精神障碍结构 MRI 研究是否能够收敛到可靠形态学表型。

研究目的

量化五类精神障碍皮层厚度和灰质体积患者—对照差异图的跨站点一致性；判断低一致性是否由分析流程、人口学与临床差异、扫描因素或样本量造成；估计不同疾病需要多大样本才能达到中等一致性；据此评价传统小样本患者—对照结构 MRI 范式作为生物标志物发现策略的可行性。

研究方法

该研究汇集 59 个精神疾病站点的 2,437 例患者和 2,065 名不重复健康对照，并加入 7 个阿尔茨海默病站点。T1 MRI 分别采用 FreeSurfer SBM 和 CAT12 VBM 处理，每个站点独立建立患者—对照 GLM，获得全脑 z 图或 t 图。站点两两进行 Pearson 空间相关，形成 CSC 矩阵；使用 eigenstrapping、BrainSMASH 和标签置换建立零模型。进一步检验显著性阈值、复制率、平滑、脑区分区、ComBat、协变量、19 项站点特征，并用伪站点 bootstrap 和信噪比模拟评估样本量效应。

研究结果

阿尔茨海默病中位 CSC 为 0.54，而精神分裂症、分裂情感性障碍、自闭症、抑郁和双相障碍分别约为 0.16、0.15、0.04、0.01 和 0.06。右半球与 VBM 得到相同结论。阈值化后的一致性和复制率更低；增加平滑或使用粗分区只能轻微提高数值；ComBat、额外协变量和站点间年龄、性别、药物、病程、扫描仪等差异总体无法解释低 CSC。样本量增加可使精神分裂症在每组约 200 人时达到 r≈0.5，并可能需要每组超过 400 人接近阿尔茨海默病水平；自闭症、抑郁和双相障碍的共同信号更弱，可能需要每组约千人的数量级。

研究结论

当前广泛使用的每组少于 100 人、基于传统诊断的单中心结构 MRI 患者—对照研究，难以通过不断重复自然形成可靠的精神障碍形态学表型。大样本是必要条件，但不是充分条件；还需要更同质的疾病分层、跨诊断临床表型、个体异质性模型和更具机制特异性的成像模态。

局限性和未来方向

数据来自既有异质队列，临床信息多为站点级汇总，无法充分控制具体药物、症状和共病；部分疾病站点数和大样本范围有限；模拟过于简化；只研究横断面 T1 形态学与组均值空间图。未来应采用前瞻性多中心统一采集、体素级开放数据、独立外部验证、跨诊断统一量表、规范模型和亚型分析，并比较扩散、功能、PET及多模态表型的跨站点稳定性。

解读 | 李佳骏

参考文献：

Cao T, Pang JC, Gajwani M, et al. The cross-site reproducibility of MRI morphometric phenotypes in psychiatric disorders. Nature Neuroscience. 2026; doi: 10.1038/s41593-026-02359-0.