Page 71 - 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 ·1017 ·

［34］
结果，从而共同服务于临床决策 。 稳健；在多中心大样本或高频时间序列数据上，深度
综上，现有多模态机器学习研究已经在多个临 学习框架在 AUC 和灵敏度等指标上可获得一定增
床任务上完成了初步的算法分型和实证对比：在样 益，但对数据质量和建模规范更为敏感。此外，多数
本量有限、特征维度极高且需要较强可解释性的影 工作证实在同等任务和样本下，多模态模型相对于最
像和多组学场景中，经特征筛选与正则化的线性模 佳单模态模型通常可带来中度但一致的性能提升，尤
型和基于树的集成方法往往在外部验证中表现更 其在临床亚型划分和治疗反应预测方面更为明显。

General workflow of machine learning modeling for depression using multimodal data
Data Feature Model Clinical
preprocessing extraction evaluation lnterpretation
Patients and quality and application
·Filter and
control Accuracy，
wrapper
methods sensitivity， ·Diagnostic support and
specificity differential diagnosis
·Regularization
and ·Subtype stratification and
AUC
embedded risk profiling
calibration
methods ·Treatment response
·Hand⁃crafted prediction
Robustness
and deep ·Relapse and chronicity risk
analysis
speech
·Patients with monitoring
features
depression and
control groups ·Genetic，
transcriptomic
·Clinical cohorts ·Structural ·Diagnostic support and
·Community functional and differential diagnosis
samples MRI metabolic ·Subtype stratification
·Multi⁃center ·EEG/ERP markers and risk profiling
studies ·Scale⁃derived
symptom
dimensions Data flow
图1 基于多模态数据的抑郁症机器学习建模通用工作流程图
Figure 1 General workflow of machine learning modeling for depression using multimodal data
同时应看到，现有研究仍存在若干共性问题。
4 小结与展望
多数工作基于单中心、小样本，预处理流程、特征构
抑郁症具有患病率高、复发率高和致残率高等 建和验证策略差异较大，模型性能常在内部验证环
特点，传统以访谈和量表为核心的诊断模式在早期 境中被高估，外部泛化能力和结果可重复性有限。
识别、精细分型以及预后和疗效预测方面存在明显 多模态数据采集成本高、流程复杂，真正具备影像、
不足 ［35］ 。围绕抑郁症早期识别和精准分型这一核 EEG、体液指标和详细临床资料的样本数量有限，不
心临床问题，文章从单模态客观指标、多模态数据 同中心在扫描协议、设备参数和量表组合方面的差
特性以及机器学习建模策略3个层面梳理了现有证 异，又进一步加剧了批次效应和系统偏倚问题 ［37］ 。
据。纵观现有研究，可得到以下几点认识。第一， 多模态机器学习模型结构复杂，若缺乏充分的可解
机器学习已在临床与心理量表、神经影像、EEG、语 释性，将难以融入临床决策流程；即便模型具有统
音与行为以及多组学等单一模态中得到广泛应用， 计学意义，如何将其输出转化为简明、可操作的临
在抑郁症诊断、病程预测和疗效评估方面显示出一 床信息，如风险分层、关键特征提示等，仍需在真实
定优势，其中神经影像学数据是当前证据最为集中 世界环境中反复打磨和验证。
的领域，距离潜在客观生物标志物最近 ［13］ 。第二， 面向未来，抑郁症领域的机器学习与多模态研
多模态数据可从结构、功能、连接、症状和行为等多 究可从以下几个方面推进。其一，建设大样本、多
个层面刻画抑郁症，为亚型划分和风险分层提供了 中心、多模态协作队列，在保证隐私和数据安全前
比单一模态更丰富的信息。第三，机器学习为多模 提下，逐步推动采集方案和预处理流程的标准化与
态数据整合提供了关键技术手段，多模态模型在诊 数据共享，为模型训练和外部验证提供更为坚实的
断、分型和疗效预测中的表现普遍优于单模态模型， 基础。其二，在方法学层面重视预注册设计和规范
有望成为实现抑郁症精准诊疗的重要工具 。 化分析流程，采用更稳健的交叉验证和独立验证
［36］