Page 72 - 南京医科大学自然版

第46卷第7期
·1018 · 南 京 医 科 大 学 学 报 2026年7月

集，结合迁移学习、领域自适应等技术，提升模型在 drug ⁃ naive depression［J］. Psychoneuroendocrinology，
不同中心和人群中的泛化能力 ［38］ 。其三，加强模型 2024，167：107086
可解释性和生物学合理性，结合可解释机器学习、 ［5］ BATAIL J M，COROUGE I，BLANCHARD T，et al. In⁃
网络神经科学和多组学分析，探索前额叶⁃边缘系 flammatory and MRI perfusion biomarkers in predicting
persistence of depression：a 6⁃month longitudinal study［J］.
统、DMN 与炎症、代谢等通路之间的潜在联系，从相
Transl Psychiatry，2025，15（1）：370
关性逐步走向机制假设的提出。其四，在临床转化层
［6］ YIN B，CAI Y，TENG T，et al. Identifying plasma metabolic
面，开展前瞻性及嵌入式研究，评估多模态机器学习
characteristics of major depressive disorder，bipolar disor⁃
辅助系统对诊断一致性、治疗决策和复发预警的实际 der，and schizophrenia in adolescents［J］. Transl Psychia⁃
［38］
影响，同时关注患者体验、伦理规范和监管路径 。 try，2024，14（1）：163
随着多模态数据资源的持续积累和建模方法 ［7］ ENKHBAYAR D，KO J，OH S，et al. Explainable artificial
的不断完善，有望逐步形成以神经影像为核心、整 intelligence models for predicting depression based on
合电生理、生物标志物、临床信息与数字行为的综 polysomnographic phenotypes［J］. Bioengineering，2025，
合评估框架，为抑郁症的早期识别、精准分层和个 12（2）：186
体化干预提供更加坚实的证据支持 ［39-40］ 。 ［8］ HU Y X，SHI J Y，XIA G Y，et al. Analysis of functional
connectivity changes in attention networks and default
利益冲突声明：
mode networks in patients with depression and insomnia［J］.
所有作者声明无利益冲突。
Sleep Breath，2024，28（4）：1731-1742
Conflict of Interests：
［9］ GRIMM B，YILMAM P，TALBOT B，et al. Multimodal ma⁃
All authors declare no conflict of interests.
chine learning for video based single question mental
作者贡献声明：
health assessment［J］. NPJ Digit Med，2025，9（1）：65
高子祥、李翔、张欣负责论文撰写；钱昭均、嵇子慧负责
［10］CLAAS F，MICAH C，NILS O，et al. Systematic misesti⁃
材料整合；朱俐璇、徐忆初负责图表制作；陈亚丽、葛菲菲负
mation of machine learning performance in neuroimaging
责方向指导与修改。
studies of depression［J］. Neuropsychopharmacology，
Author’s Contributions：
2021，46（8）：1510-1517
GAO Zixiang，LI Xiang，and ZHANG Xin drafted the manu⁃
［11］GUO Y，CHU T，LI Q，et al. Diagnosis of major depressive
script；QIAN Zhaojun and JI Zihui were responsible for material
disorder based on individualized brain functional and
integration；ZHU Lixuan and XU Yichu were responsible for
structural connectivity［J］. J Magn Reson Imaging，2025，
chart preparation；CHEN Yali and GE Feifei were responsible
61（4）：1712-1725
for direction guidance and revisions.
［12］DAI P，HUANG K，HU T，et al. Altered effective connec⁃
［参考文献］ tivity in patients with drug⁃naïve first⁃episode，recurrent，
［1］ 王 颖，侯宇威，张 哲. 中国人群抑郁症疾病负担的 and medicated major depressive disorder：a multi⁃site fM⁃
年龄⁃时期⁃队列分析［J］. 四川精神卫生，2025，38（3）： RI study［J］. Behav Brain Res，2025，495：115756
254-260 ［13］GUO P，LIU X，SUN Y，et al. Effects of sMRI⁃guided
WANG Y，HOU Y W，ZHANG Z. Age⁃period⁃cohort anal⁃ rTMS on brain function and structure in major depressive
ysis of the disease burden of depression in the Chinese disorder［J］. J Affect Disord，2025，390：119772
population［J］. Sichuan Journal of Mental Health，2025， ［14］VU T，DAWADI R，YAMAMOTO M，et al. Prediction of
38（3）：254-260 depressive disorder using machine learning approaches：
［2］ LIN S K，KUO P H，HSU C Y，et al. The effects of Lacto⁃ findings from the NHANES［J］. BMC medical informatics
bacillus plantarum PS128 in patients with major depres⁃ and decision making，2025，25（1）：83
sive disorder：an eight⁃week double⁃blind，placebo⁃con⁃ ［15］LUO Y，SHEN Y，FAN X. EEG microstates in adolescent
trolled study［J］. Asian J Psychiatr，2024，101：104210 depression：effects of depression severity and overall
［3］ XU R F，LIU Z J，OUYANG S，et al. Machine learning⁃ symptoms［J］. J Affect Disord，2025，390：119819
driven development of a stratified CES⁃D screening sys⁃ ［16］MULC D，VUKOJEVIC J，KALAFATIC E，et al. Opportu⁃
tem：optimizing depression assessment through adaptive nities and challenges for clinical practice in detecting
item selection［J］. BMC Psychiatry，2025，25（1）：286 depression using EEG and machine learning［J］. Sensors，
［4］ GAN X，LI X，CAI Y，et al. Metabolic features of adoles⁃ 2025，25（2）：409-409
cent major depressive disorder：a comparative study be⁃ ［17］YANG CY，CHEN Y Z. Support vector machine classifica⁃
tween treatment ⁃ resistant depression and first ⁃ episode tion of patients with depression based on resting ⁃ state