将静态和动态脑网络分析与机器学习相结合，以提升重度抑郁症的诊断效果

《Psychiatry Research: Neuroimaging》：Combining Static and Dynamic Brain Network Analysis with Machine Learning for Enhanced Diagnosis of Major Depressive Disorder

抑郁症的功能连接特征融合与机器学习诊断研究|MDD|静动态功能连接分析|Rich Club特征|机器学习分类|脑网络异常|临床诊断|fMRI数据|特征维度融合|社会功能评估

　　本研究由陈静、冯如平、刘萌元、马思远、台佳鑫、胡婧、李金、强宁等科学家共同完成，团队来自陕西师范大学物理与信息技术学院，研究地点位于中国西安。研究的主要内容是针对重度抑郁症（MDD）这一常见且严重的精神障碍，探索其在脑网络层面的异常特征，并尝试通过结合静态和动态功能连接分析，以及引入新的特征选择方法，提高MDD的早期诊断和分类能力。研究的背景和意义在于，抑郁症对患者的日常生活和社会功能造成了严重影响，而传统的诊断方式主要依赖于患者的主观报告和医生的评分评估，这些方法在一定程度上存在主观性和不稳定性。因此，寻找客观、可靠的生物标志物，成为当前神经影像学研究的重要方向之一。

研究的核心在于分析大脑网络的功能连接特性，尤其是静态和动态功能连接的差异。静态功能连接通常指的是在特定时间点上，不同脑区之间的活动同步性，而动态功能连接则关注这些同步性随时间的变化情况。通过分析这两种连接模式，可以更全面地理解抑郁症在大脑网络层面的表现。此外，Rich Club（富俱乐部）作为一个具有高连接性和中心性的脑区集合，被认为在信息传递过程中起着关键作用。研究发现，MDD患者的Rich Club节点与周围节点之间的连接强度发生了显著变化，这种异常可能与情绪调节、认知功能和社交行为的障碍有关。

在研究方法上，团队首先利用fMRI数据对整个大脑进行静态功能连接分析，然后结合Rich Club分析和滑动窗口方法，进一步探讨MDD患者内在功能脑网络的拓扑特性。通过这些分析，团队提取了MDD患者与健康对照组（HC）在静态和动态功能连接上的特征，并利用机器学习方法对这些特征进行分类和预测。实验结果显示，结合静态和动态功能连接特征的分类方法，其准确率达到90.28%，这一结果表明所识别出的脑网络异常在临床诊断中具有重要意义。

在数据处理方面，团队使用了Bezmaternykh于2021年发布的公开数据集，该数据集包括51名轻度至中度抑郁症患者的静息态fMRI数据和21名健康对照组的数据。为了确保数据的可靠性，研究者对参与者的年龄、智商等连续变量进行了双样本t检验，对性别等分类变量进行了卡方检验。结果显示，两组在年龄方面没有显著差异，这表明研究样本在人口学特征上具有一定的代表性。

在实验结果部分，团队首先提取了MDD和HC组中每个脑区节点的时间序列，并计算了每个节点时间序列与BOLD信号之间的皮尔逊相关系数，以此作为不同脑区之间的功能连接强度。通过这种方式，构建了每个受试者的90×90连接矩阵，并对其进行了可视化处理。结果显示，MDD患者的静态功能连接模式与健康对照组存在显著差异，尤其是在某些关键脑区之间的连接强度方面。

此外，研究还关注了动态功能连接的变化。近年来，随着动态静息态fMRI分析技术的发展，研究人员开始更加重视大脑网络随时间变化的动态特性。研究发现，MDD患者的脑干-大脑动态功能连接显著减少，尤其是在执行、默认模式和情绪相关网络中。这些连接的强度与抑郁严重程度、焦虑水平和认知表现之间存在相关性。这表明，动态功能连接分析不仅可以揭示大脑网络的静态异常，还可以捕捉其随时间变化的动态特征，从而为理解抑郁症的神经机制提供更全面的信息。

研究团队还探讨了多种静息态fMRI指标（如fALFF、ReHo等）在空间和时间上的同步性变化。结果显示，MDD患者在这些指标上的同步性显著降低，并与前瞻性记忆和持续注意力的损伤有关。这一发现进一步强调了动态功能连接分析在理解抑郁症神经机制中的重要性。值得注意的是，尽管某些动态特性在不同组之间没有明显的基线差异，但它们在预测症状改善和认知恢复方面具有重要的预后价值。这表明，动态功能连接分析不仅能够揭示大脑网络的静态异常，还能够为抑郁症的治疗和干预提供有价值的参考。

研究的另一个重要方面是特征选择方法的优化。传统的特征选择方法往往忽略了静态和动态功能连接之间的相互作用，而本研究提出了一种新的特征选择方法，能够有效地融合这两种连接特征，从而提高分类的准确性。同时，这种方法还能够减少特征的维度，使得模型更加简洁和高效。通过这种特征融合策略，团队在分类任务中取得了更高的准确率，验证了其方法的有效性。

研究团队还对实验结果进行了深入的讨论，指出虽然现有的研究已经揭示了MDD患者在大脑网络层面的异常，但如何将这些异常特征有效地应用于临床诊断和预测，仍然是当前神经影像学研究面临的重要挑战。因此，探索新的分析方法和特征选择策略，对于提高抑郁症的诊断准确性和干预效果具有重要意义。本研究通过结合静态和动态功能连接分析，以及引入Rich Club组织的概念，为这一问题提供了新的思路和方法。

在研究的局限性部分，团队指出虽然实验结果具有一定的临床意义，但研究仍存在一些不足之处。例如，所使用的数据集主要来自于公开数据，可能在样本量和多样性方面存在一定的局限性。此外，研究主要关注了大脑网络的静态和动态功能连接，但并未深入探讨其他可能影响抑郁症诊断的因素，如遗传背景、环境因素等。这些因素可能在某些情况下对大脑网络的异常产生重要影响，因此在未来的研究中，需要进一步考虑这些变量，以提高诊断的全面性和准确性。

研究的结论指出，MDD不仅严重影响患者的情绪、认知功能和社交互动能力，还可能导致大脑结构和功能的不可逆损伤，给个体、家庭和社会带来沉重的负担。因此，早期诊断和及时干预对于MDD的治疗具有重要的临床意义。当前，MDD的诊断主要依赖于患者的主观报告和医生的评分评估，这些方法在一定程度上存在主观性和不稳定性。因此，寻找客观、可靠的生物标志物，成为当前神经影像学研究的重要方向之一。

本研究通过结合静态和动态功能连接分析，以及引入Rich Club组织的概念，为MDD的诊断提供了新的方法和思路。研究结果显示，这种融合方法能够有效提高分类的准确性，同时减少特征的维度，使得模型更加简洁和高效。此外，研究还发现，Rich Club节点与周围节点之间的连接强度在MDD患者中发生了显著变化，这种异常可能与情绪调节、认知功能和社交行为的障碍有关。因此，未来的研究可以进一步探讨这些异常特征的具体机制，以及如何将其应用于临床诊断和干预。

研究的可用数据和材料部分指出，所有数据和材料均来自公开数据集，研究过程中没有生成或分析新的数据。这一信息表明，研究的结论具有一定的可重复性和可验证性，同时也为其他研究者提供了研究的基础。在资金支持方面，本研究得到了陕西省科技厅和咸阳市科技局的资助，这表明研究具有一定的政策支持和研究价值。

在作者贡献部分，陈静负责概念化、方法设计和初稿撰写，冯如平负责方法收集和数据管理，刘萌元负责数据整合、编辑和软件支持，马思远和台佳鑫负责方法和数据收集，胡婧负责数据管理和方法支持，李金负责概念化、方法设计和资金获取，强宁负责概念化、方法设计和监督。这一分工表明，研究团队在各个环节上都有明确的职责，确保了研究的顺利进行和成果的可靠性。

在伦理声明部分，团队指出本研究未收集任何人类受试者的数据，所有数据均来自公开数据集。这一声明表明，研究符合伦理规范，确保了数据的合法性和研究的透明性。在CRediT作者贡献声明中，团队进一步明确了每位作者的具体贡献，包括项目管理、方法设计、研究执行、数据整理、概念化等。这表明研究团队在各个环节上都积极参与，确保了研究的全面性和严谨性。

在利益冲突声明部分，团队指出本研究得到了国家自然科学基金和陕西省科技厅、咸阳市科技局的资助，但没有其他可能影响研究的财务利益或个人关系。这一声明表明，研究的结论具有一定的客观性和独立性，同时也为其他研究者提供了研究的透明性。在致谢部分，团队感谢了陕西省科技厅和咸阳市科技局的资金支持，这表明研究具有一定的政策支持和研究价值。

综上所述，本研究通过结合静态和动态功能连接分析，以及引入Rich Club组织的概念，探索了MDD患者在大脑网络层面的异常特征，并利用机器学习方法对这些特征进行分类和预测。研究结果显示，这种融合方法能够有效提高分类的准确性，同时减少特征的维度，使得模型更加简洁和高效。此外，研究还发现，Rich Club节点与周围节点之间的连接强度在MDD患者中发生了显著变化，这种异常可能与情绪调节、认知功能和社交行为的障碍有关。因此，本研究为MDD的早期诊断和干预提供了新的方法和思路，同时也为未来的研究提供了理论基础和实践支持。