衰减或短暂的病症状和功能明显下降是病发病前的高风险阶段的表现。出现这类症状的人群中大约有 1\3 会在三年内发展为病，且发病率要比普通人高 400 倍；2/3 未发展为病的人中，约有一半人病症状还会持续，并且可能会伴有焦虑和抑郁的发生，另一半人会在临床干预下恢复正常。
实验已：对于病高危人群进行药理学和心理学有效干预，可以降低病发病率，这些干预措施包括：低剂量的抗病药、抗抑郁药、ω-3-脂肪酸和认知行为疗法。
有神经影像学调查发现，发展为病的高危人群，其大脑结构、功能、生物化学等方面与未发展为病的高危人群有明显差异。
那么神经影像学改变是否有助于病发病的预测？目前在应用方面还存在哪些问题？基于此方面，英国伦敦国王学院 McGuire 教授做了一项综述，结果于 2015 年 10 月 28 日在线发表于柳叶刀病学上。
高危群体的神经影像学
影像学显示，高危人群中发展为病的和未发展为病的人存在显著差异（图 1）。
图 1 病的高危人群 A 为内侧颞叶体积变小（区域）；B 为在额颞叶纤维束的白质完整性降低（红色区域）；C 为内侧颞叶，前额叶和中脑活动增加（区域）；D 为皮层下多巴胺功能增强（红色区域）
两个亚组内侧颞叶、脑岛和前扣带皮层的灰质体积不同；在认知测试时，内侧颞叶皮质、前额叶皮质、中脑的反应度也不同；静息时，内侧颞叶血容量和白质中纤维束的完整性都表现出了差异。
另外，发展为病的亚组表现出突触前膜多巴胺合成增加，纹状体谷氨酸浓度增加。所以，病的发展与内侧颞叶、前额叶体积进行性减少、白质完整性和皮层下多巴胺功能亢进有关。
以上这些影像学表现或可预测高危人群的发展结局。但值得注意的是这些研究都是基于小样本，所以结果还存在局限性。并且对于影像学和神经生物学相关性研究尚缺乏。McGuire 教授说，今后的研究应从人口学评估、、临床、认知、基因和多样影像学检查入手去预测病的发生。
学习 SVM 处理影像学资料
临床上，对于病人个体化管理需要从病人具体实际问题出发。另外，高危人群随后未发展为病和发展为病的人，神经影像学变量的分布值常会重叠。比如：发展为病的高危人左侧海马旁灰质体积就比未发展为病的人小。这给临床医师做出诊断及制定预防措施带来了极大困扰。
而解决这些问题的一种办法就是使用多变量机器学习法，进行个体水平的统计推断。McGuire 教授介绍了一种监督式学习的方法：支持向量机（SVM）。SVM 是一种多元模式识别算法，运用数据（如 MRI 数据）制定决策以此来判断该个体属于预先定义的哪一组，图 2 所示，使用 SVM，用神经影像学数据对人群分
图 2 将已知数据进行分类，然后可以将人群分组
有报道称，用此法可以将轻度认知损害是阿尔茨海默病的高危风险表现的报告准确度提高至 72%–100%，当然目前也有应用于障碍高危因素的评价。
McGuire 教授说：将临床评估数据和 SVM 结合起来对于识别高危人群大有裨益。但是同样，这些研究样本量太少，并且大多数并没有两样本研究，或许多中心临床试验可以解决这个问题。
SVM 的一个最大特点是可以应用于不同的神经影像学资料，但是用 SVM 分析影像学资料测量高危人群有待进一步研究。大脑部分区域之间联系被认为是病的一个关键点，发展为病和未发展为病的高危群体中这种现象可能也有差异，所以，测量组织器官之间的联系可能对于 SVM 来说也是一个特别有用的输入特征。
需要指出的一点是，神经影像学对于高危群体的恢复所起到的作用已被，但是，SVM 预测缓解的能力还未被研究。当然，临床也可以通过功能水平和症状的严重程度来预测事件结局
多法结合 预测病发生
如果神经影像学方法能预测高危人群的发展结局，那么下一步就是结合其他方法系统的应用于临床实践（图 3）。
图 3 预测高危人群法：神经影像学，人口学，临床，认知功能，基因
但是预测结果不一定对临床有用， 它应基于对临床决策的改变，同时也要考虑其可行性。比如皮层下多巴胺功能的 PET 扫描可以很好预测病风险，但是其高昂的成本使其难以在临床上推广。而成本较低且易获得的资料更适合于临床应用，比如血液检查。由于 MRI 的经济实用，使得轻度认知障碍预测发展为痴呆变得可行。
科之惆怅
尽管影像学为病-病理生理学机制的研究提供了许多有效信息，但是这些很少能用于临床，生物学方法几乎对病的评价没什么作用。
而在其他学科，使用临床和生物学方法能比较快的对疾病高危因素进行预估，结果也能被用于临床决策。对于科而言，不仅是没有好的测试手段，而且对于部分研究者来说，他们不愿接受神经生物模型。种种原因使病的病因、预防和治疗的研究变得缓慢。
结论
综上，McGuire 教授谈道，神经影像学表现对于病高危人群的发展结局有预测作用，对于这些的临床应用乃是重头戏。
推荐：