基于功能近红外光谱与微RNA早期评估的抗抑郁治疗反应预测研究

《IEEE Journal of Translational Engineering in Health and Medicine》：Antidepressant Treatment Response Prediction With Early Assessment of Functional Near-Infrared Spectroscopy and Micro-RNA

本研究针对重度抑郁症（MDD）患者抗抑郁治疗反应（ATR）预测准确率低、临床缺乏客观生物标志物的难题，创新性地融合功能近红外光谱（fNIRS）与微RNA（miRNA）数据，提出一种基于主成分分析（PCA）的个体间变异性降低算法。通过多模态特征整合与径向基函数支持向量机（RBF SVM）分类器，成功实现三类治疗反应（无反应者NR、部分反应者PR、完全反应者R）的精准预测，准确率达82.70%，显著优于传统方法。该研究为MDD个性化治疗决策提供了可临床转化的高效工具，推动了神经影像与基因组学在精神疾病中的应用边界。

　　

在精神健康领域，重度抑郁症（Major Depressive Disorder, MDD）如同一片难以驱散的阴云，影响着全球数亿人。尽管抗抑郁药物种类繁多，但约三分之一患者对首次治疗无反应，部分患者仅能获得部分缓解。这种“试错”式治疗过程不仅延长患者痛苦，还可能导致病情慢性化。当前，临床缺乏客观、可量化的生物标志物来预测个体对特定抗抑郁药物的反应，使得个性化治疗决策如同“盲人摸象”。功能磁共振成像（fMRI）和脑电图（EEG）等神经影像技术虽被探索用于此目的，但存在成本高、便携性差或空间分辨率不足等局限。更重要的是，MDD的高度异质性导致个体间大脑活动差异显著，这种“噪音”严重干扰了真实生物信号的提取，使得预测模型泛化能力受限。

为突破这一瓶颈，来自马来西亚国油大学、新加坡国立大学及台湾师范大学的联合研究团队另辟蹊径，将目光投向一种新兴的神经影像工具——功能近红外光谱（functional Near-Infrared Spectroscopy, fNIRS）。fNIRS通过测量大脑皮层血氧变化来反映神经活动，兼具较高的时空分辨率、便携性和抗运动干扰能力，尤其适合临床环境下的重复评估。研究团队假设，结合fNIRS对前额叶皮层（Prefrontal Cortex, PFC）——这一已知与情绪调节密切相关的脑区——的任务激活模式分析，以及能从血液中轻松获取的、与抑郁病理生理相关的微RNA（microRNA, miRNA）分子信息，或许能构建出更强大的预测模型。关键在于，如何有效剔除个体间变异性的干扰，让模型聚焦于真正区分治疗反应的生物特征。

本研究基于新加坡国立大学医院收集的队列数据，最终纳入52名MDD患者，根据治疗6个月后汉密尔顿抑郁量表（HAM-D）评分变化划分为NR（24人）、PR（15人）和R（13人）三组。技术方法的核心包括：1）使用Homer3工具箱对fNIRS原始信号进行运动伪影校正、滤波和血红蛋白浓度转换，提取言语流畅性任务（Verbal Fluency Task, VFT）期间PFC区域的13个时域激活参数和7个功能连接（Functional Connectivity, FC）网络指标；2）对NR组的fNIRS特征进行主成分分析（PCA），弃除累积解释方差达99%的前几个主成分（PCs），利用剩余主成分构成的投影矩阵统一变换所有组别的特征，以最小化个体间变异性；3）将处理后的fNIRS特征与3种已知相关的miRNA（hsa-miR-550b-2-5p, hsa-miR-125a-5p, hsa-miR-374b-3p）拼接，采用经贝叶斯优化的RBF SVM分类器进行五折交叉验证预测。

结果

A. 统计分析与特征评估

单因素方差分析（ANOVA）显示，多数原始fNIRS特征在三组间无统计学显著性差异，仅网络指标“同配性”（assortativity）在R组显著降低（p=0.03）。然而，轮廓分析表明fNIRS特征在欧几里得距离空间内可形成三个簇群，提示其蕴含区分潜力。特征间相关性分析揭示高度非线性关系，支持选用非线性分类器RBF SVM。

B. 多模态预测性能比较

单一模态预测中，miRNA特征表现最佳（准确率71.20%），而fNIRS时域特征或功能连接特征单独使用准确率仅约50%。简单融合多模态特征（未用PCA）反而使性能下降至61.50%，表明原始fNIRS特征中的个体间变异性产生干扰。应用PCA降变异性处理后，所有融合fNIRS特征的模型性能显著提升，多模态（fNIRS+miRNA）组合达到最佳预测水平：准确率82.70%，灵敏度78.44%，精确度86.15%，特异性91.02%。

C. 样本平衡与模型稳健性验证

为评估样本不平衡影响，对数据集进行下采样（每组13人）后重新训练模型，准确率保持82.10%，灵敏度提升至82.05%，证明样本平衡有助于降低假阴性率，提升模型公正性。

D. 主成分解释方差阈值的影响

消融实验证实，保留累积解释方差≤99%的主成分会严重损害模型性能（准确率50.00%），而弃除这些成分后性能最优，验证了高解释方差主成分确实携带大量个体间变异性噪声。

结论与意义

本研究首次成功将fNIRS与miRNA生物标志物相结合，用于MDD抗抑郁治疗反应的三分类预测，并创新性地提出一种基于PCA的个体间变异性降低策略。该策略通过从无反应者群体中提取“噪声”模式并予以剔除，有效净化了特征空间，使支持向量机模型能够更清晰地捕捉到区分不同反应群体的本质模式。最终实现的82.70%的预测准确率，显著优于既往依赖临床、社会人口学及遗传信息的机器学习模型（通常准确率在70%左右）。

其重要意义在于：1）临床转化价值：fNIRS设备便携、成本较低，miRNA检测易于在临床实验室开展，使得该预测方案具备大规模临床应用潜力，有望成为精神科医生制定个性化治疗方案的有力决策支持工具；2）方法学创新：提出的PCA处理流程为高异质性精神疾病的神经影像数据分析提供了新思路，强调了在构建预测模型前处理群体变异性的重要性；3）科学洞察：结果进一步证实了前额叶皮层功能与抗抑郁治疗反应的紧密关联，并为理解基因表达与大脑功能在治疗反应中的交互作用提供了线索。未来研究可在更大样本、更严格控制的队列中验证该方法的普适性，并探索其预测不同种类抗抑郁药物特异反应的潜力，最终推动重度抑郁症治疗迈向精准医疗新时代。