Page 67 - 南京医科大学自然版

第46卷第7期 高子祥，李 翔，张 欣，等. 从数据整合到临床转化：机器学习在抑郁症诊断中的应用［J］.
2026年7月 南京医科大学学报（自然科学版），2026，46（7）：1011-1019 ·1013 ·

同龄健康老年人、老年期抑郁、轻度认知障碍或痴 在扩大样本量、规范数据预处理流程及特征构建标
呆以及血管性认知障碍之间进行鉴别，因此更强调 准的基础上，进一步重视模型泛化能力与可重复性
白质高信号负荷、脑萎缩模式以及脑小血管病相关 的提升。
改变等结构损害特征，并常将高血压、糖尿病、脑卒 1.3 其他单模态数据
中史等血管危险因素以及简易精神状态检查量表 除神经影像学外，脑电图（electroencephalogra⁃
（mini⁃mental state examination，MMSE）、蒙特利尔认 phy，EEG）、临床与心理量表、语音与行为以及多组
知评估（Montreal cognitive assessment，MoCA）等认知 学等其他数据模态也已应用于抑郁症机器学习研
量表纳入特征空间。 究 ［16］ 。现有EEG研究多基于静息态或任务态信号，
静息态fMRI研究常基于全脑或特定网络的血氧 提取多类特征并采用SVM、RF等方法区分MDD、健
水平依赖（blood oxygenation level dependent，BOLD） 康对照及其他精神障碍 ［17］ 。部分研究借助治疗前
信号构建功能连接矩阵，计算DMN、认知控制网络、 以及早期随访的 EEG 数据预测抗抑郁治疗的临床
边缘系统网络和显著性网络的连接强度及图论指 反应，显示其在抑郁症疗效预测中的独特优势 ［18］ 。
标，再输入分类模型区分MDD与健康对照或识别不 临床与心理量表可通过系统整合人口学特征、病程
同临床亚型，并对症状维度或病程特征进行预测。 信息、共病情况及多维量表得分，为机器学习模型
部分多中心研究还使用静息态连接模式预测重复 识别复发风险、高残疾风险及治疗抵抗的抑郁症高

经颅磁刺激（repetitive transcranial magnetic stimula⁃ 危人群提供关键支撑 ［19］ 。语音与数字行为数据则
tion，rTMS）等干预的疗效，为个体化神经调控方案 可提供抑郁症患者日常生活中的客观表型，通过提
的制定提供依据。 取语音/副语言特征即可实现 MDD 评估 ［20-21］ 。现有
任务态fMRI则多围绕情绪加工、奖赏和认知控 研究多基于语速、停顿时长、基频及其波动、强度、
制范式下的激活模式，用于预测抗抑郁药物、rTMS、 抖动、微扰以及梅尔频率倒谱系数等语言/副语言特
电休克治疗等干预的疗效 ［14］ 。现有结果表明，不 征，构建抑郁识别模型。总体来看，这类模型在区
同机器学习模型中常出现前额叶⁃边缘系统功能 分 MDD 与健康对照或不同抑郁严重程度方面，内
连接异常、DMN 内部连通性增高或与认知控制网 部验证的准确率多在 70%~85%，曲线下面积（area
络解耦、奖赏相关纹状体反应减弱等特征，且上述 under the curver，AUC）为 0.75~0.90，部分研究的 F1
特征与抑郁症的临床诊断及治疗反应密切相关 。 值也达到中高水平。然而，方言口音、录音环境噪
［15］
DTI等白质结构影像为抑郁症脑网络异常提供 声、说话任务差异以及共病焦虑、药物使用状态等
了补充信息。通过提取前额叶⁃边缘系统、额叶⁃顶 因素均可能影响语音特征分布，加上外部验证样本
叶网络和胼胝体等区域的各向异性分数和平均弥 有限，导致模型泛化能力和可重复性仍有待进一步
散率，以及全脑白质纤维追踪和图论分析得到的网 评估。未来需在样本量更大、多中心协同及更贴近
络效率和节点度等指标，可构建用于区分抑郁与健 真实门诊场景的语音队列中，规范特征提取与建立
康、不同发病亚型及预后结局的机器学习模型。部 标准化流程，并系统比较不同算法在抑郁症语音识
分研究还将代谢或受体成像指标与结构影像联合 别中的性能与适用范围。此外，多组学研究通过整
分析，从神经递质功能改变与结构损害的对应关系 合基因组、转录组、代谢组等高维分子特征与临床
出发，探索更具生物学意义的影像特征。 资料，利用特征筛选和集成学习方法识别与抑郁风
总体而言，基于神经影像学数据的机器学习在 险、临床亚型和治疗反应相关的分子标志物及通
抑郁症识别、亚型划分及疗效预测等方面均展现出 路，为理解抑郁症生物学基础提供了新的线索 ［22-23］ 。
一定应用潜力，但现有研究多局限于单中心、小样
2 多模态数据在抑郁症诊断中的作用
本范畴，且在特征构建与验证策略上存在明显差
异。随着多中心协作项目的推进及大样本队列研 抑郁症的临床核心问题在于：如何在症状高度
究的开展，已有研究指出，小样本研究中常用的留 异质、共病复杂的前提下，实现早期识别、精细分型
一法或单次划分交叉验证策略往往会高估模型分 以及复发和治疗抵抗等预后事件的个体化预测。
类性能，而在样本量达数百例以上且采用重复交叉 前文已经指出，仅依赖访谈和量表等主观信息以及
验证或外部验证的数据集上，MDD与健康对照的分 单一客观指标，往往难以实现抑郁症早期诊疗和个
类准确率多维持在中等水平 。这提示未来研究需 体化诊疗。诊断依赖经验、亚型界限模糊、预后预
［9］