区域放射组学相似性网络揭示了重大抑郁症中的中枢神经系统（CSTC）回路异常及其临床意义

《Asian Journal of Psychiatry》：Regional Radiomics Similarity Networks Reveal CSTC Circuit Abnormalities and Clinical Relevance in Major Depressive Disorder

MDD患者与健康人脑结构共变网络存在显著差异，尤其是CSTC通路中的多个脑区（如豆状核、前额叶等）连接强度降低，复发性MDD患者右腹侧豆状核尤为突出，且该指标可有效预测汉密尔顿抑郁量表评分。

　　本研究围绕主要抑郁症（Major Depressive Disorder, MDD）的神经病理学机制展开，探索了一种名为区域放射组学相似性网络（Regional Radiomics Similarity Network, R2SN）的新型分析方法。R2SN作为一种基于脑区形态学特征的结构网络分析框架，为理解MDD患者的神经网络异常提供了新的视角。研究团队利用来自REST-meta-MDD项目的大规模磁共振成像（MRI）数据，对830名MDD患者与771名健康对照组（HCs）进行了深入分析，揭示了MDD患者在多个脑区中存在显著的结构共变模式差异，特别是涉及皮质-纹状体-丘脑-皮质环路（Cortico-Striato-Thalamo-Cortical, CSTC）的区域。

MDD是一种复杂的神经精神疾病，其主要特征包括情绪低落、兴趣减退以及能量水平下降。此外，患者还常常表现出认知功能障碍，如注意力不集中、执行功能受损、学习与记忆能力下降等。近年来，大量神经影像学研究发现，MDD患者的多个脑区存在结构性和功能性异常，包括额叶、颞叶、顶叶、岛叶、边缘系统、枕叶以及皮下核团等。然而，由于MDD的临床表现和神经机制复杂多变，其病理机制尚未完全阐明。因此，有必要通过更精细的结构网络分析方法，探索个体层面的结构共变模式，以期揭示疾病背后的神经基础。

结构共变网络（Structural Covariance Networks, SCNs）是研究大脑结构变化如何在不同脑区之间相互关联的一种方法。传统上，SCNs研究多基于群体层面的分析，这种方法虽然能够揭示某些脑区的普遍性变化，但往往忽略了个体之间的差异性。近年来，研究者们开始关注个体层面的SCNs，认为这种方法能够更准确地捕捉到个体脑结构的细微变化，并有助于理解疾病相关的个体差异。个体层面的SCNs分析表明，MDD患者在默认模式网络（Default Mode Network, DMN）、显著性网络（Salience Network, SN）以及前顶叶网络（Frontoparietal Network, FPN）中存在显著的结构异常，这些网络在情绪调节、认知控制以及自我参照处理等核心心理功能中发挥重要作用。然而，群体层面的SCNs研究仍存在一定的局限性，无法充分揭示个体之间的结构共变模式差异，也无法将这些模式与临床特征或基因表达等生物标志物进行有效关联。

基于此，本研究引入了R2SN方法，这是一种通过量化脑区形态学特征来构建个体层面结构网络的新技术。R2SN的优势在于，它能够检测由微观结构发育变化引起的细微信号变化，甚至在宏观结构差异尚未显现之前即可识别这些变化。这种能力使得R2SN在研究脑结构变化时更具敏感性，有助于发现那些在传统方法中可能被忽略的细微差异。此外，R2SN还表现出小世界网络特性，这种特性在复杂系统中常见，意味着网络既具有高度的模块化，又具备良好的全局整合能力，这可能与大脑的高效信息处理机制相关。

本研究利用来自REST-meta-MDD项目的1,601名参与者的大规模多中心MRI数据，构建了个体层面的R2SN，并进一步分析了MDD患者与健康对照组在区域平均连接强度（Regional Mean Connectivity Strength, RMCS）方面的差异。研究发现，与健康对照组相比，MDD患者在多个与CSTC环路相关的脑区中表现出显著降低的RMCS，包括中额叶皮层、下额叶皮层、中央前回、上颞叶皮层、中央后回、外侧枕叶皮层、海马体以及尾状核等。这些脑区在情绪调节、认知控制以及运动协调等功能中起着关键作用，其结构共变模式的异常可能与MDD的临床表现密切相关。

进一步的子组分析表明，复发性MDD患者相较于健康对照组，在右侧背侧尾状核区域表现出更为显著的RMCS降低，而首次发作且未接受药物治疗的MDD患者（First-Episode Drug-Na?ve, FEDN）则未表现出这种变化。这一发现提示，不同类型的MDD患者在结构共变模式上可能存在差异，复发性MDD患者的神经网络异常可能更加显著，且可能与疾病的病程和复发频率相关。此外，研究还应用了偏最小二乘回归（Partial Least Squares Regression, PLSR）模型，并结合留一法交叉验证（Leave-One-Out Cross-Validation）来评估RMCS对汉密尔顿抑郁量表（Hamilton Depression Rating Scale-17, HAMD-17）得分的预测能力。结果显示，RMCS能够显著预测HAMD-17总分，表明结构共变模式的变化与抑郁症状的严重程度存在密切关联。

这一研究结果为MDD的神经病理学机制提供了新的证据，并强调了R2SN在揭示个体间结构共变模式差异方面的潜力。通过分析个体层面的结构网络，研究团队不仅发现了MDD患者在多个脑区中存在结构共变异常，还揭示了这些异常可能与疾病的临床特征密切相关。这一发现为MDD的个体化诊断和治疗提供了新的思路，也为未来的神经调控干预策略提供了依据。

此外，研究团队还探讨了R2SN在临床应用中的可能性。R2SN能够提供个体化的结构网络信息，这有助于更精准地识别患者群体中的亚型，并为个性化治疗方案的制定提供支持。例如，针对复发性MDD患者，可能需要更关注右侧背侧尾状核区域的结构变化，并据此调整治疗策略。而对于首次发作且未接受药物治疗的患者，其结构共变模式可能与复发性患者有所不同，因此在治疗过程中需要采取不同的干预措施。

然而，本研究也存在一定的局限性。首先，由于该研究为横断面和回顾性研究，无法追踪MDD患者在不同生命周期中的结构共变网络变化。因此，未来的研究应考虑进行大规模的纵向研究，以观察MDD患者在不同阶段的结构变化趋势。其次，尽管研究已经初步探讨了RMCS与临床特征之间的关系，但仍需进一步研究其与基因表达、生物标志物以及神经调控技术之间的关联。此外，研究中所使用的样本虽然具有较大的规模，但仍然可能存在一定的偏差，例如样本的地域分布、年龄范围以及性别比例等，这些因素都可能影响研究结果的普遍性。

综上所述，本研究通过构建个体层面的R2SN，揭示了MDD患者在多个脑区中存在显著的结构共变异常，特别是涉及CSTC环路的区域。这些发现不仅加深了我们对MDD神经机制的理解，也为未来的诊断和治疗提供了新的生物标志物。研究还强调了R2SN在捕捉个体间结构差异方面的优势，为个体化医学的发展提供了重要支持。未来的研究应进一步探索R2SN在不同疾病阶段和不同患者群体中的应用，以期为MDD的精准医疗提供更多依据。