Page 66 - 南京医科大学自然版
P. 66

第46卷第7期
               ·1012 ·                           南 京    医 科 大 学 学         报                        2026年7月


              密尔顿抑郁量表（Hamilton depression rating scale，         性关系的数据，如脑影像或高密度脑电图，支持向
              HAMD）、患 者 健 康 问 卷 抑 郁 量 表（patient health          量机（support vector machine，SVM）、随机森林（ran⁃
              questionnaire⁃9，PHQ⁃9）等开展评估工作。这一诊断                dom forest，RF）和梯度提升决策树（gradient boosting
              模式为抑郁症的识别和治疗规范化提供了基础支                             decision tree，GBDT）等非线性模型更适合捕捉复杂
                                         ［2］
              撑，但也带来一系列临床问题 ：第一，诊断高度依                           特征交互。近年来也有研究尝试采用卷积神经网
              赖医师经验与患者主观报告，难以及时发现早期和                            络（convolutional neural network，CNN）、循环神经网络
              隐匿病例；第二，传统量表以总分为主，难以充分反                          （recurrent neural network，RNN）等深度学习模型 。
                                                                                                           ［9］
              映症状维度和病程特征的异质性，对复发和治疗抵                            在抑郁症相关研究中，一般流程为：在严格质控基
                                               ［3］
              抗等预后事件的个体化预测能力不足 ；第三，在轻                           础上采集临床资料、神经影像、脑电图、语音与行
              度抑郁、老年抑郁（late⁃life depression，LLD）以及焦             为、多组学等多源数据，经预处理和标准化后构建
              虑、双相情感障碍等共病或谱系性疾病中，仅依靠                            症状维度、脑结构与功能指标、频谱特征、语音参数
              症状往往难以实现准确鉴别。                                     及行为指标等特征，随后通过特征选择或降维方法

              1.1  客观指标与机器学习引入抑郁症诊断的必要性                         减少冗余信息，最终训练分类或回归模型，并采用
                  为了弥补抑郁症诊断的缺陷，近年来，越来越                          交叉验证或独立测试集评估性能。现有工作聚焦
              多研究尝试将血清神经递质及其代谢产物、炎症因                            于三个方面：抑郁症的诊断及与其他精神障碍的鉴
              子、应激激素水平以及多导睡眠图等客观指标，引                            别，自然病程和复发风险预测，以及抗抑郁治疗反
                                                                                   ［10］
                                         ［4］
              入抑郁症的诊断与疗效评估中 。例如C反应蛋白                            应和治疗抵抗的预测 。
             （C⁃reactive protein，CRP）、白细胞介素⁃6（interleukin⁃      1.2  神经影像学与机器学习
              6，IL⁃6）等外周炎症标志物在抑郁患者中可出现轻                              神经影像学作为观察抑郁症患者脑结构与功
                    ［5］
                                           ［6］
              度升高 ；代谢组学层面，Yin 等 对青少年重度抑                         能异常的重要技术手段，目前已成为抑郁症机器学
              郁 障 碍（major depressivedisorder in adolescents，    习研究领域中应用最为广泛的数据模态之一。结
              MDD）、双相情感障碍、精神分裂症及健康对照的血                          构磁共振成像（structural MRI，sMRI）可量化全脑及
              浆代谢组进行系统比较，并提出用于不同疾病⁃对照                           特定脑区的灰质体积、皮层厚度和白质高信号负
              比较的潜在诊断生物标志物面板；在睡眠客观评估                            荷，功能磁共振成像（functional MRI，fMRI）可反映
                               ［7］
              方面，Enkhbayar 等 基于多导睡眠图数据构建可解                      静息态或任务态下脑活动时间序列及脑区间功能
              释机器学习模型，并通过特征重要性分析提示睡眠                            连接，扩散张量成像（diffusion tensor imaging，DTI）
              效率等指标具有较高贡献度。但在数据层面，这类                            则用于刻画白质纤维完整性和脑网络结构                     ［11］ 。大
              客观指标还存在检测平台和批次差异、测量下限和                            量研究表明，抑郁症患者在前额叶⁃边缘系统、默认
              偏态分布、采样时间点不一致、缺失值比例较高等                            模式网络（default mode network，DMN）、认知控制网
              问题。总体来看，单一生物标志物的效应量仍然有                            络和奖赏网络等关键环路中，普遍存在不同程度的
              限，不同研究在检测技术、采样方案和判定阈值等                            结构和功能异常        ［12］ 。在此基础上，神经影像学可以
              方面差异显著，尚不足以在常规临床实践中独立承                            对这些异常模式进行客观量化，为提取与抑郁症诊
              担诊断角色，构成了“数据挑战”。上述现象提示，                           断、分型及预后相关的影像特征提供重要依据。
              后续研究需扩大样本量，整合多种客观指标，并借                                 在 sMRI 领域，早期研究多采用 sMRI 结合传统
              助机器学习等方法，从脑⁃身⁃心理一体化的视角提                           机器学习算法，对MDD与健康对照进行二分类。常
              炼出更加稳定、可重复的特征模式。                                  见做法为提取海马、杏仁核、前额叶皮层和扣带回
                  机器学习是一类以数据驱动为核心的建模方                           等情绪调节相关脑区的体积及皮层厚度，或利用全
              法，可通过在样本中学习特征与标签之间的映射关                            脑体素形态学及基于区域的形态测量结果，输入
                                                 ［8］
              系，实现对未知个体的自动分类或预测 。从算法                            SVM 或正则化 LR 模型。部分研究将对象拓展至
              选型的角度看，不同临床任务和数据模态对应的建                            LLD，通过整合额叶皮质萎缩、海马萎缩和白质高信
              模需求并不相同：在线性特征维度相对有限、样本                            号负荷等特征，区分 LLD 与正常老年、轻度认知功
              量中等的场景，逻辑回归（logistic regression，LR）等              能障碍等人群，并尝试预测抗抑郁治疗反应及随访
              线性模型结构简单、易于解释，有利于量化各变量                            期间功能结局       ［13］ 。面向 LLD 的机器学习模型在建
              对结果的贡献 ；对于特征维度较高、存在明显非线                           模目标和特征选择上具有一定特殊性，通常需要在
                          ［9］
   61   62   63   64   65   66   67   68   69   70   71