1.引言

边缘型人格障碍影响约1.6%的人群，在门诊患者中患病率上升至10%，在住院患者中高达25%。青少年边缘型人格障碍是一种独特亚型，以情绪调节困难和频繁的非自杀性自伤为特征。情绪调节困难指个体以健康和适应方式管理和回应情绪体验时面临的挑战，包括难以识别或理解情绪、经历强烈或压倒性情绪、难以控制情绪反应、或难以有效运用情绪应对策略。临床经验表明，青少年边缘型人格障碍几乎均存在这些缺陷。有假设认为，这些情绪相关困难会诱发非自杀性自伤。非自杀性自伤指无自杀意图的故意自我伤害，是青少年边缘型人格障碍中的重要问题，对个体及其家庭均构成风险。尽管其严重性，但青少年边缘型人格障碍的神经基础以及情绪困难和自伤的神经预测因素仍知之甚少，这阻碍了有效预防策略的制定。

大多数关于边缘型人格障碍的神经影像学研究集中在成人，揭示了灰质改变主要位于边缘-额叶回路，包括双侧海马、背外侧前额叶皮层和前扣带回/膝下内侧额叶皮层体积减少。这些改变具有功能相关性，与边缘型人格障碍的临床特征一致。此外，静息态下默认模式网络的过度活跃与情感和人际调节困难相关。

仅有少数研究探究了青少年边缘型人格障碍的特征。鉴于青春期发生的神经发育变化，在该人群中研究边缘型人格障碍对于改善早期诊断和在适应不良神经模式固化前优化治疗策略至关重要。对青少年边缘型人格障碍的研究已证实边缘-额叶回路存在灰质改变，具体包括双侧眶额叶皮层、双侧背外侧前额叶皮层、右侧杏仁核、左侧前扣带回皮层、双侧海马和双侧顶上回。然而，默认模式网络和前额叶皮层在青少年边缘型人格障碍中的具体作用仍需进一步确认。此外，近期一系列研究报道许多精神疾病（包括边缘型人格障碍）中小脑存在改变，并与情绪失调和冲动相关。一个有趣的问题是这些改变是否也出现在青少年边缘型人格障碍中。

尽管已有研究来表征青少年边缘型人格障碍的神经异常，但既往研究存在局限性。首先，许多研究依赖大规模单变量分析，即对每个体素进行独立检验，未能考虑脑区之间的统计相互依赖性。实际上，大多数此类研究依赖体素形态测量，该方法在检测广泛分布的细微改变方面存在一定局限性。最后，一个主要缺点是可推广性差，限制了其对新病例的适用性。此外，这些研究受限于小样本量和以女性为主的人群，引入了潜在偏倚。既往研究的另一个局限性在于未始终控制各组的教育水平。此外，仅收集了少数问卷，妨碍了对神经影像学发现的正确解释。

为解决这些局限性，此研究采用多变量形态测量方法，使用迄今为止最大规模的青少年边缘型人格障碍样本及年龄、性别、教育匹配的对照样本。参与者接受结构MRI扫描，同时进行情绪调节困难、非自杀性自伤、焦虑和情绪症状以及整体功能评估的临床评估。应用基于源的形态学分析——一种基于机器学习的多变量方法，通过识别共变灰质体积的分布模式而非孤立体素差异来克服体素形态测量的缺点——研究青少年边缘型人格障碍中存在的神经改变。基于源的形态学分析是体素形态测量的数据驱动扩展，结合了独立成分分析。基于源的形态学分析识别组间灰质或白质共变模式，将体素信息整合为网络，并检验网络内受试者特异性共变，而非独立分析体素。基于源的形态学分析相较于体素或感兴趣区方法具有优势，无需先验区域选择，且可作为空间滤波器分离重叠信号（如伪影与结构改变）。既往研究已对患者应用基于源的形态学分析并显示出可靠的共变模式。此外，作为探索性分析，此研究旨在基于深度学习算法检验预测边缘型人格障碍诊断的可能性。总之，机器学习和多变量方法的使用特别适合边缘型人格障碍的研究。首先，边缘型人格障碍的结构改变不太可能局限于孤立脑区；相反，它们反映了大尺度网络中的广泛异常，而体素形态测量等基于体素独立假设的大规模单变量方法可能无法检测到这些异常。相比之下，基于源的形态学分析利用多变量共变模式识别连贯的结构网络，对微妙且空间分布的差异具有更高敏感性。其次，机器学习方法允许正式评估神经和心理特征的可推广性——这是既往边缘型人格障碍研究的一个局限，其特征是小样本量和缺乏预测验证。通过将基于源的形态学分析衍生的成分与临床测量相结合于监督分类框架，可确定哪些特征最能预测未见数据中的诊断状态。因此，机器学习的使用不仅是方法上的修饰，而且是捕捉边缘型人格障碍网络水平性质和改善神经影像学发现在临床人群中的转化相关性的必要步骤。

此外，为评估此研究结果的可推广性，并在一体化模型中评估神经和心理预测因子的相关性，此研究实施了一个通过遗传算法优化的深度前馈神经网络。该模型使用带回溯的弹性反向传播进行训练，并在保留的测试集上进行评估。重要的是，监督机器学习提供了一个原则性框架，以检验识别的神经和心理特征是否能可靠预测未见数据中的诊断状态，从而比传统统计方法提供更严格的可推广性评估。

此研究假设青少年边缘型人格障碍患者默认模式网络后部枢纽区域灰质体积增加，因为既往对成人的研究表明默认模式网络存在功能和结构异常。此研究还假设这些异常与情绪失调和行为紊乱（非自杀性自伤）呈正相关。同时预测与健康对照相比，青少年边缘型人格障碍患者存在小脑异常，且这些异常与情绪调节困难、非自杀性自伤行为及其他临床相关特征相关。最后，此研究假设额叶控制网络（包括背外侧前额叶皮层）存在异常，因为既往结构MRI和功能MRI研究已报道背外侧前额叶皮层存在多种改变，并与自上而下控制的缺陷相关。总之，此研究旨在探究青少年边缘型人格障碍的结构改变及其与情绪和行为症状的潜在关系。因此，此研究可能揭示青少年边缘型人格障碍的神经生物学基础，并为开发更有效的早期干预和治疗策略做出贡献。

2.方法

2.1参与者

青少年边缘型人格障碍患者于2021年10月至2023年10月期间在湘雅医院心理健康中心精神科门诊连续招募。对照组（年龄、教育程度、性别匹配）同期从当地学校招募。

患者组纳入标准为：（1）年龄13-18岁，符合DSM-IV边缘型人格障碍诊断标准，至少满足9项标准中的5项；（2）患者症状稳定持续2年以上，且不能归因于任何DSM-IV轴I精神或神经发育障碍。此外，参与者需在儿童边缘型人格特征量表上得分超过66分。

此研究中边缘型人格障碍的诊断遵循两步结构化诊断流程。首先，由具有15年以上精神科诊断经验的资深精神科医生在常规临床评估中应用DSM-5-TR诊断标准。所有符合初步诊断标准的参与者随后完成DSM-IV轴II人格障碍结构化临床访谈，特别是评估边缘型人格障碍的部分。结构化临床访谈由具有5年以上青少年精神病学经验的临床医师进行，所有医师均接受过结构化临床访谈的正式培训。此过程确保边缘型人格障碍组的每个个体基于标准化和国际公认的评估工具满足完整诊断标准。

遵循结构MRI研究的方法学标准，排除了已知会诱导强烈独立神经解剖学改变的疾病。这些排除并非暗示青少年边缘型人格障碍通常不伴有共病；而是为通过减少可能掩盖或模仿边缘型人格障碍相关结构共变模式的神经混杂因素来增强内部有效性。重要的是，尽管有这些排除，最终样本的临床特征仍高度复杂，代表中度至重度青少年边缘型人格障碍，其中54%的参与者共病焦虑障碍，85%报告非自杀性自伤，大多数表现出显著的抑郁和焦虑症状。

为招募对照参与者，采用学校宣传、社区广告和在线平台等多种方式，以联系潜在参与者及其父母或法定监护人。纳入前，每名对照参与者接受广泛筛查，包括病史回顾和心理评估，以确保无任何精神障碍。对照组的纳入标准严格，包括与边缘型人格障碍组年龄范围、社会经济地位和教育水平匹配，且无神经或精神疾病史，无MRI禁忌症。

所有参与者的排除标准包括：神经发育障碍、精神分裂症谱系障碍、双相谱系障碍、创伤后应激障碍、重型抑郁症、物质滥用、注意缺陷多动障碍、神经系统疾病，或IQ≤80。所有参与者均为右利手，经爱丁堡利手问卷确定。此外，排除标准经过严格定义，以消除物质使用、药物等可能影响脑结构或功能的潜在混杂因素。

最终样本包括129例青少年边缘型人格障碍患者（12-17岁）和107例年龄、性别、教育匹配的健康对照。先验功效计算表明，当前样本量足以检测中等效应量。值得注意的是，青少年边缘型人格障碍患者招募自大型三级精神卫生中心，该中心接收来自该地区多个门诊、急诊、社区精神卫生服务和住院病房的转诊。因此，患者群体反映了转诊至专科精神卫生服务的青少年典型的临床异质性和严重程度分布。诊断程序遵循金标准国际标准，包括结构化临床访谈，诊断由两名资深精神科医生独立确认。尽管排除了可能混淆结构MRI发现的疾病，样本仍表现出与青少年边缘型人格障碍流行病学描述一致的临床特征——即高水平情绪失调、频繁非自杀性自伤、共病焦虑和功能受损。

此研究获湘雅医院机构审查委员会批准。所有青少年参与者的父母或法定监护人签署书面知情同意书。

图1患有aBPD（成人边缘型人格障碍）与健康对照组（HCs）青少年的入组流程。

2.2临床评估与问卷

结构化访谈采用DSM-IV人格障碍结构化临床访谈的边缘型人格障碍部分进行。如个体满足9项诊断标准中的至少5项，则确诊为边缘型人格障碍。为评估患者的轴I精神障碍，采用学龄儿童情感障碍和精神分裂症量表当前和终生版进行评估。健康对照也进行结构化访谈以排除任何人格或轴I障碍。青少年及其父母或法定监护人均参与结构化访谈。最终诊断由经验丰富的精神科医生团队在全面临床评估后确定。有关一级亲属精神疾病的信息从参与者及其父母/法定监护人处收集。临床评估由研究精神科医生完成，该医生具有8年精神科评估经验。所有临床评估均在脑MRI扫描前完成，扫描于同一天进行。

为评估参与者智力，采用韦氏智力简表。使用儿童边缘型人格特征量表评估边缘型人格特质，阈值分数为66；高于此分数提示边缘型人格特征倾向。儿童边缘型人格特征量表包含四个子量表：情感不稳定、身份问题、消极关系、自伤。

情绪调节能力也使用困难情绪调节量表评估，该量表是测量个体情绪调节技能的成熟工具。困难情绪调节量表包含六个子量表：情绪意识、情绪清晰度、不接纳情绪反应、冲动控制困难、目标导向行为困难、有限情绪调节策略。

焦虑相关症状通过儿童焦虑相关情绪障碍筛查问卷评估。儿童焦虑相关情绪障碍筛查问卷包含5个子量表：惊恐/躯体症状、广泛性焦虑、分离焦虑、社交恐惧、学校恐惧。

此研究还使用临床医生评定的整体功能评估量表评估个体的心理、社会和职业功能水平。整体功能评估提供1-100的单一分数，分数越高表示功能越好。该量表同时考虑症状严重程度和功能损害。

最后，采用情绪与感受问卷评估抑郁症状。情绪与感受问卷包含33个条目，采用3点李克特量表评分，总分范围0-66，分数越高表示抑郁症状越严重。

2.3 MRI数据采集

MRI采集使用Siemens MAGNETOM Prisma 3T MRI扫描仪进行。为每名参与者采集3D T1加权磁化准备快速梯度回波序列。MPRAGE序列具体参数包括：矩阵256×256，视野256×256 mm²，各向同性体素大小1.0 mm³，重复时间2300 ms，回波时间203 ms，翻转角9°，176层，无间隔。所有MRI图像由资深神经放射科医生检查以确保图像质量

2.4预处理

在质量检查后，所有数据在进行分析前使用相同流程进行预处理。预处理采用CAT12工具箱，该工具箱与SPM12兼容，在MATLAB环境下运行。此过程包括分割灰质、白质和脑脊液。选择了调制归一化写入选项。

为改善图像配准准确性，采用DARTEL，这是SPM中传统配准方法的高级替代方案，提供全脑配准。随后进行归一化至MNI空间，应用8 mm半高全宽高斯核进行空间平滑。

2.5基于源的形态学分析

对参与者的结构MRI数据应用独立成分分析，以识别全脑范围的独立成分。独立成分分析是盲源分离方法的一种，属于无监督机器学习，基于灰质浓度共变将大脑分解为自然聚类的网络。产生的成分代表特化的、部分分离的网络。在结构研究中，独立成分分析也称为基于源的形态学分析。

此研究使用MATLAB环境下的GroupICA工具箱。首先，通过最小描述长度信息论标准估计独立成分的数量。应用Infomax算法以最小化各网络输出之间的互信息。为评估独立成分分析结果的可靠性，采用ICASSO工具箱，选择随机初始化和自助法以确保识别成分的稳定性。独立成分分析运行100次，为每个独立成分计算质量指数。Iq值>0.9表示独立成分分析分解高度稳定。

在JASP软件中进行多元逻辑回归分析，探究基于源的形态学分析识别的独立成分（即灰质共变网络）能否区分青少年边缘型人格障碍。使用Surf Ice进行数据可视化。

2.6深度学习分类

为评估结果的普适性，并评估最重要的心理和神经预测因子，此研究采用一个前馈神经网络形式的深度学习模型，采用带回溯的弹性反向传播算法（Rprop+反向追踪技术）和逻辑S型激活函数(f(x) = 1 / (1 + e^(− x)))。网络拓扑非预先设定，而是通过遗传算法优化，参数如下：神经元数量按种群规模设定为200个；最大代数：100代；最大层数：10层；每层最大节点数：20个；亲本选择采用轮盘赌法；交叉方法采用均匀法；突变概率基于重置机制（10%概率）；生存方法采用基于适应度的生存策略（含10%精英保留率）。训练数据占总数据量的80%，为评估模型泛化能力采用20%数据的留出法验证。通过5000次置换检验评估模型可靠性。

在脑海科技云平台中，内置了基于源的形态学分析模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。平台提供完整的操作文档、培训视频及更新日志体系，便于用户快速掌握。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。读者可对照思考如何在平台中实现类似的分析流程。感兴趣可联系预约产品演示。

3.结果

3.1行为结果

青少年边缘型人格障碍患者与健康对照的人口学和临床特征总结于表1。两组在年龄、教育水平和性别方面无显著差异。然而，与健康对照相比，青少年边缘型人格障碍患者在边缘型人格特征量表、情绪与感受问卷、儿童焦虑相关情绪障碍筛查问卷、困难情绪调节量表上的得分显著更高，整体功能评估得分显著更低。在边缘型人格障碍组中，25例患者有精神疾病家族史，包括强迫症、重型抑郁症、冲动控制障碍和广泛性焦虑障碍。在MRI扫描前两个月内，22.5%的患者报告使用精神活性药物，如抗抑郁药、抗精神病药或心境稳定剂。此外，54%有共病，其中1例患者诊断强迫症，4例诊断广泛性焦虑障碍。大多数青少年边缘型人格障碍患者从事非自杀性自伤；85%的患者在过去一年内有非自杀性自伤行为，超过一半表现为严重形式，包括切割、刮擦和烫伤皮肤。

表1人口统计学与临床信息。

3.2影像分析结果

对结构MRI图像应用独立成分分析，基于灰质共变自动识别出16个独立成分，使用前人提出的子抽样方案。该方法生成一组独立同分布样本，对其应用最小描述长度信息论标准。结果的一致性和可靠性使用质量指数评估，该指数范围0-1，量化识别网络簇内与簇间相似性的差异。所有识别成分的Iq>0.9，表明独立成分分析分解高度稳定。随后，将16个独立成分的载荷系数与年龄、教育和性别一起输入逻辑回归。反向逻辑回归返回以下结果：截距β=8.335，p<0.001，OR=6167.908，95% CI [1.943, 12.271]；IC2 β=-0.230，p=0.156，OR=0.782，95% CI [-0.635, 0.210]；IC8 β=0.518，p=0.002，OR=2.134，95% CI [0.197, 1.125]；IC9 β=0.488，p=0.010，OR=2.115，95% CI [0.118, 1.191]；IC14 β=-0.506，p=0.08，OR=0.632，95% CI [-1.073, 0.187]；年龄β=-1.144，p<0.001，OR=0.296，95% CI [-1.545, -0.441]；教育β=1.016，p<0.001，OR=3.061，95% CI [0.377, 1.416]；R²=0.209，AIC=283.539，BIC=307.786，df=229。IC8包括小脑区域，如下半月小叶、悬雍垂、锥体等。IC9包括楔前叶、楔叶、扣带回、中央后回和旁中央区以及顶叶和颞叶区域。此网络与默认模式网络后部枢纽高度重叠。IC14主要包括额叶区域，如双侧额下回、额中回和额上回。所有显著独立成分在男性和女性之间无差异，且与年龄无相关。

图2通过SBM识别的网络。

图3影像分析结果。

3.3临床相关性

考虑整个组别（aBPD与HCs）时，IC8与困难情绪调节量表子量表B（情绪清晰度）、子量表F（有限情绪调节策略）、困难情绪调节量表总分、儿童边缘型人格特征量表总分、儿童边缘型人格特征量表子量表4（自伤）、儿童焦虑相关情绪障碍筛查问卷总分、儿童焦虑相关情绪障碍筛查问卷子量表B（广泛性焦虑）、情绪与感受问卷呈正相关，与整体功能评估呈负相关。IC9与困难情绪调节量表子量表F、儿童边缘型人格特征量表子量表3（消极关系）、儿童焦虑相关情绪障碍筛查问卷子量表B呈正相关，与整体功能评估呈负相关。IC14与任何量表无相关。当仅考虑青少年边缘型人格障碍组时，IC8与儿童边缘型人格特征量表子量表1（情感不稳定）呈负相关；IC9无相关；IC14与儿童焦虑相关情绪障碍筛查问卷子量表B（广泛性焦虑）、子量表D（社交恐惧）呈正相关，与整体功能评估呈负相关。当仅考虑健康对照时，IC8无相关；IC9与困难情绪调节量表子量表B、儿童边缘型人格特征量表子量表4呈负相关；IC14与困难情绪调节量表子量表B、儿童边缘型人格特征量表子量表4呈负相关。应用错误发现率校正阈值后，仅以下相关存活：全组IC8与困难情绪调节量表子量表F、困难情绪调节量表总分和整体功能评估相关；青少年边缘型人格障碍组IC8与儿童边缘型人格特征量表子量表1相关，IC14与整体功能评估相关；健康对照组IC9与儿童边缘型人格特征量表子量表4相关，IC14与困难情绪调节量表子量表B相关。这些相关证实了神经网络与参与者的症状之间的关系。

图4 IC8的相关分析

图5 IC9的相关分析

3.4深度学习分类

经遗传算法优化的网络包含31个输入单元（对应16个独立成分和15个问卷量表）、4个隐藏层（层1：11单元，层2：13单元，层3：19单元，层4：1单元）、一个截距单元和一个输出单元。分类器正确学习区分边缘型人格障碍和健康对照，准确率85.1%，精确率86%（边缘型人格障碍78.3%，健康对照91.7%），召回率85.1%（边缘型人格障碍90%，健康对照81.5%），假阳性率0.143，假发现率0.150，F1分数0.852，AUC 0.867，真阴性率0.857，假阴性率0.143。最重要的特征中，儿童焦虑相关情绪障碍筛查问卷子量表A（惊恐/躯体症状）、儿童边缘型人格特征量表子量表4（自伤）、IC8、困难情绪调节量表子量表D（冲动控制困难）、IC9、情绪与感受问卷被证实是最具预测性的测量指标，与回归结果中IC8和IC9的作用一致。

图6深度学习分类

4.讨论

此研究在大样本青少年边缘型人格障碍中检验了形态测量改变，以验证默认模式网络、小脑和前额叶皮层在青少年边缘型人格障碍中发生改变，并与这些患者表现出的情绪和行为症状相关的假设。通过基于源的形态学分析（一种无监督机器学习方法）分析129例青少年边缘型人格障碍患者和107例匹配健康对照的结构MRI扫描。如预测所示，青少年边缘型人格障碍患者在默认模式网络后部枢纽和小脑区域（与情绪失调和边缘型症状相关）灰质体积增加，同时额叶控制网络（可能与冲动控制障碍相关）体积减少。值得注意的是，这些网络中的灰质浓度改变与情绪调节困难、自伤行为、焦虑症状呈正相关，与整体功能呈负相关。

5.结论