Page 69 - 南京医科大学自然版
P. 69
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 ·1015 ·
为后续亚型划分提供基础。 则能够反映患者在真实生活情境中的日常状态，如语
相比单模态数据难以全面刻画抑郁症相关脑 速、停顿、基频波动、活动量及睡眠节律等，为识别精
网络多维异常模式的局限性，多模态神经影像在临 神运动迟滞、社会退缩及病情波动提供了较高生态效
床分型和鉴别诊断中具有更重要的价值。以老年 度的客观线索。与此同时，多组学研究通过整合基因
人群为例，LLD与轻度认知功能减退、阿尔茨海默病 组、转录组和代谢组等分子层信息，可进一步解释不
等在情绪和认知症状上存在大量重叠，仅凭临床表 同临床表型和行为特征背后的生物学差异 。
［25］
现和传统量表往往难以区分。通过联合分析老年 总体而言，多模态数据的核心价值并不在于简
患者的皮层萎缩模式、海马体积、白质高信号负荷 单叠加信息，而在于从脑结构与功能、症状维度、行
以及静息态功能连接和网络效率等指标，可在以情 为表型及分子特征等不同层面提供相互补充的证
绪障碍为主的 LLD 表型与以神经退行性过程为主 据，从而为抑郁症的早期识别、亚型划分和风险分
的认知障碍表型之间建立相对清晰的界限，并提示 层提供更完整的表征基础。本部分重点阐明多模
两者在脑网络层面的差异 。类似地，在广泛性焦虑 态数据的互补价值及其临床意义；至于如何借助机
［25］
障碍、双相情感障碍等情绪障碍之间，通过比较杏仁 器学习实现跨模态整合、不同融合策略的适用条件及
核⁃前额叶回路、前扣带和岛叶等关键区域的结构与 其具体应用场景，将在下一部分进一步展开讨论。
功能特征，有助于识别以焦虑成分为主的抑郁与以抑
3 机器学习结合多模态数据在抑郁症诊断中的应用
郁成分为主的焦虑，提高临床诊断的精细化水平。
2.2 影像联合临床指标 3.1 多模态融合策略与建模流程
在影像与非影像信息的联合方面，多模态思路 多模态数据为理解抑郁症复杂的脑⁃身⁃心理改
逐渐由单纯的多种扫描技术叠加，拓展为脑⁃身⁃心 变提供了更为全面的基础，但在实际应用中，如何
理多层信息的综合表征。大量研究通过同时收集 将来源、尺度和噪声特性各不相同的多种指标有机
结构和功能影像、抑郁与焦虑量表、病程信息及认 整合，仍是一项重要挑战。机器学习在这一过程中
知功能指标，探讨脑网络异常与具体症状维度之间 发挥关键作用：一方面，可通过特征选择、降维和正
［26］
的对应关系 。例如，快感缺失突出的患者更常表现 则化等方法处理高维、多源数据，缓解维度灾难和
为前额叶⁃纹状体奖赏环路异常，而以注意和执行功 多重共线性问题 ［28］ ；另一方面，可在统一模型框架
能障碍为主的患者，其相关改变则更多涉及背侧前额 下实现多模态信息的加权融合，从而提高诊断、分
叶及顶叶网络 。这提示影像指标与临床症状并非 型和预后预测的准确性与稳定性 ［28］ 。常见的多模
［27］
彼此独立，而是能够在症状维度层面形成相互印证。 态融合策略包括特征层面的早期融合，即在输入阶
相比单纯依赖量表总分或单一影像异常，影像 段将不同模态特征进行拼接，以及决策层面的晚期
联合临床指标更有助于揭示抑郁症内部异质性。 融合，即分别建模后在输出阶段进行加权整合。不
一方面，影像数据可提供脑结构和功能网络异常的 同策略在样本量、特征维度和任务目标不同时各有
客观证据；另一方面，临床症状、病程及认知表现则 适用场景（图1）。
有助于界定这些脑异常在个体层面的临床含义。 在抑郁症领域，早期融合常用于提升诊断和分
二者结合有助于突破传统诊断中同病异质和异病 型精度，晚期融合则更适合处理模态不全、任务目标
同象的局限，推动构建基于症状维度和脑网络机制 多样的情境。现有抑郁症多模态机器学习研究在算
的抑郁症识别框架。此外，影像与体液、生理应激 法层面大致可分为 3 类：一类是以正则化 LR、线性
等指标的联合，也为识别以炎症或应激反应为主要 SVM等为代表的特征级早期融合模型，适用于样本量
特征的抑郁亚型提供了可能，从而为临床分层和风 有限、特征维度极高的场景；一类是以RF、梯度提升
险评估提供更丰富的客观依据。 树和集成学习为代表的模型级或决策级晚期融合方
2.3 非影像多模态数据 法，更侧重不同模态子模型的加权组合；还有一类是
在更广义的多模态框架下，电生理、语音与行 多分支CNN、图神经网络等深度学习框架，可在大样
为以及多组学等非影像数据之间的联合，也为抑郁 本、多中心多模态数据上实现端到端表征学习 。
［29］
症诊断提供了重要补充。EEG 以毫秒级时间分辨 3.2 多模态神经影像模型
率刻画脑活动动态过程，与MRI所表征的空间结构 多模态机器学习的进一步发展，主要体现在不
和功能网络信息形成互补 ［19］ ；语音和数字行为数据 同信息源的任务导向整合及其临床场景拓展。在
