Page 70 - 南京医科大学自然版
P. 70

第46卷第7期
               ·1016 ·                           南 京    医 科 大 学 学         报                        2026年7月


              神经影像领域，多模态机器学习模型已被广泛用于                            影像与EEG的联合，主要用于同时整合脑结构和功
              提升抑郁症的诊断与分型性能。基于单一结构或                             能网络的稳定特征，以及电生理信号对短期状态变
              功能模态构建的模型往往只能捕捉抑郁症脑网络                             化的敏感性，可用于预测治疗反应                ［18］ ；影像与语音、
              异常的某一侧面，而将 sMRI 提取的灰质体积、皮层                        活动量、睡眠节律等行为特征的联合，更适用于病
              厚度、白质病灶负荷与 fMRI 的功能连接和图论指                         情监测和复发预警         ［21］ ；影像与多组学的联合分析，
              标、DTI 的白质完整性和网络效率等特征联合输入                          则有助于将脑表型与分子机制联系起来，为精准分
              模型，可在结构⁃功能⁃连接的综合框架下刻画个体                           型和潜在靶点识别提供依据。总体来看，这类研究
              的脑网络状态 。部分研究采用早期融合策略，将                            的重点已不再是简单叠加不同模态，而是围绕具体
                           ［2］
              多模态影像特征统一标准化后直接拼接，再通过                             临床场景优化融合对象与建模路径，从而提高模型

              LASSO 和最小冗余最大相关（minimum redundancy                在诊断、预测和分层中的实际应用价值。
              maximum relevance，mRMR）等方法筛选具有代表性                 3.5  模型可解释性与临床转化
              的联合特征，进而使用 SVM 或 RF 进行分类。结果                            由于多模态特征数量众多且相互关联，若仅
              显示，在区分 MDD 与健康对照、LLD 与认知障碍患                       追求预测性能而忽视解释，将难以为临床医生所
                                                                    ［2］
              者方面，多模态模型的准确率普遍优于任何单一模                            接受 。因此，越来越多研究在建模时引入具有明确
              态。也有研究采用晚期融合方法，对结构、功能和                            特征权重的算法，或在模型训练完成后采用特征重要
              扩散影像分别建立子模型，再根据各模态在验证集                            性排序、部分依赖图和Shapley加性解释等方法，识别
              中的表现确定权重，构建综合评分用于诊断或疗效                            对模型输出贡献最大的关键特征                 ［30］ 。相关结果显
              预测，在一定程度上缓解了多模态数据量纲差异和                            示，多模态影像模型和影像联合临床、生物学特征
              缺失不一致的问题。                                         的模型大体指向相似的一组核心预测因子：前额叶⁃
              3.3  影像联合临床与生物学指标的多模态模型                           边缘系统、DMN和认知控制网络的异常，以及残余症
                                                                                                 ［31］
                  影像联合临床与生物学指标是当前抑郁症多                           状、病程指标和部分炎症、代谢标志物 。这既为抑
              模态机器学习研究中较具临床转化意义的方向。                             郁症脑网络及身心相互作用的机制研究提供线索，
              相比单纯依赖影像或量表评分，此类研究更强调在                            也为临床报告形式的设计提供依据，如将模型输出
              统一模型框架下整合脑网络特征、症状维度、病程                            转换为高危和低危提示，并附上主要贡献特征及其
              信息、认知功能及体液指标等多源信息，以提升鉴                            可能的临床解释，便于医生理解和使用 。
                                                                                                  ［32］
              别诊断、亚型识别及风险预测的稳定性                   ［30］ 。其中，          从临床应用角度看，机器学习结合多模态数据的
              影像特征可提供相对客观的脑结构和功能异常证                             突出价值主要体现在3个方面：提高筛查与辅助诊断
              据，临床与生物学指标则有助于增强模型对当前症                            效能，支持亚型划分与风险分层，以及为治疗反应预
              状状态和个体差异的识别能力。从具体应用看，这                            测和随访监测提供量化依据。相关Meta分析显示，
              类模型尤其适用于区分临床表现相近但潜在机制                             多模态抑郁筛查模型的合并AUC 可达0.95，提示其
              不同的人群。例如，在广泛性焦虑障碍与MDD的鉴                           在辅助诊断中的应用潜力突出 ；而在治疗结局预测
                                                                                           ［33］
              别研究中，将临床症状结构、应激激素水平与结构                            方面，现有高质量研究的总体效能仍多处于中等水
              MRI 特征共同纳入模型后，其性能较仅采用临床信                          平。总之，前两方面证据相对更成熟，而治疗结局预
              息者明显改善，其中海马和前额叶等脑区指标提供                            测虽显示出应用前景，仍需进一步加强外部验证。
              了额外判别信息        ［22］ 。类似地，在LLD及认知障碍相                    从临床部署看，近年来通用大模型在电子病历
              关研究中，影像联合病程和认知指标的模型也更有                            整理、临床文本理解及多源信息归纳方面显示出较
              助于建立面向老年人群的精细化识别框架。                               强优势，能够在一定程度上提升临床资源整合效

              3.4  影像联合 EEG、语音⁃行为及多组学的多模态                       率，并为初步筛查、信息提炼和流程衔接提供支持；
              模型                                                而面向特定任务构建的专用机器学习模型则更适
                  除影像联合临床资料外，影像与 EEG、语音⁃行                       用于诊断分类、疗效预测和复发预警等目标明确、
              为以及多组学的联合建模，进一步拓展了抑郁症机                            标签清晰的具体任务，其结果也更便于量化评估和
              器学习的应用范围。此类研究通常需要处理不同                             独立验证。二者并非相互替代，而更可能形成互
              模态在时间尺度、数据结构及缺失模式上的差异，                            补：前者侧重整合异构信息、提高临床场景适应性，
              因此更强调根据具体任务选择合适的融合方式。                             后者侧重在关键诊疗节点输出稳定、可解释的预测
   65   66   67   68   69   70   71   72   73   74   75