编辑推荐：
为解决焦虑抑郁（AD）与非焦虑抑郁（NAD）症状诊断及病理机制不清的问题，研究人员利用深度学习框架，从自传体记忆测试（AMT）的 fNIRS 数据诊断抑郁并识别 AD 症状。结果显示不同情绪回忆特征有诊断价值，右半球通道对 AD 症状预测有影响，为诊断和治疗提供依据。
在精神健康领域，焦虑抑郁（AD）症状一直是困扰医学界的难题。与非焦虑抑郁（NAD）症状相比，患有 AD 症状的人群不仅要承受更严重的情绪折磨，像频繁出现的胃肠道等躯体症状，还有更高的自杀风险，且治疗效果往往不尽人意。目前，对于 AD 和 NAD 症状的诊断主要依赖临床访谈和主观评估，这种方式不仅容易出现误诊，还无法适用于大规模人群的筛查以及疾病发展的持续监测。因此，找到一种更精准、更高效的诊断方法，深入探究两者背后的神经生理机制，成为了医学研究的迫切需求。
在这样的背景下，华中科技大学的研究人员勇挑重担，开展了一项极具创新性的研究。他们开发了一种基于两个卷积神经网络（CNN）的可解释深度学习框架，借助功能近红外光谱（fNIRS）神经成像技术，对参与自传体记忆测试（AMT）的 824 名参与者进行研究。这项研究意义非凡，它不仅能够准确地识别出抑郁症状，还能精准区分 AD 和 NAD 症状，更重要的是，通过研究找到了与 AD 症状相关的潜在生物标志物，为后续更有针对性的治疗方案制定提供了关键依据。该研究成果发表在《Asian Journal of Psychiatry》上，引起了业内广泛关注 。
研究人员在开展这项研究时，运用了多个关键技术方法。首先，采用 fNIRS 技术收集参与者在 AMT 过程中的大脑活动数据，该技术能测量大脑血液动力学参数，如氧合血红蛋白（?HbO）、脱氧血红蛋白（?HbR）和总血红蛋白（?HbT）浓度变化。其次，构建基于 CNN 的深度学习框架，对 fNIRS 数据进行分析处理。此外，利用 SHapley Additive exPlanations（SHAP）方法挖掘与 AD 症状相关的生物标志物。研究样本来自参与实验的 824 名参与者，通过医院焦虑抑郁量表（HAD）筛选出有抑郁症状（HAD-D > 11）和焦虑症状（HAD-A > 11）的个体。
下面来看看具体的研究结果：
- 样本特征：通过分析发现，抑郁症状组和健康对照组（HCs）在年龄上没有显著差异，AD 和 NAD 症状组之间年龄差异也不显著。不过，抑郁症状组的 HAD-D 和 HAD-A 评分明显高于 HCs；AD 症状组的 HAD-D 和 HAD-A 评分又高于 NAD 症状组。
- 抑郁症状个体的分类性能：研究表明，积极事件回忆特征在识别抑郁症状方面表现出色，准确率高达 0.89，灵敏度为 0.84，特异性为 0.90，受试者工作特征曲线下面积（AUC）达到 0.84 。
- 焦虑抑郁症状个体的分类性能：与之相反，消极事件回忆特征在识别 AD 症状时效果显著，准确率为 0.91，灵敏度为 0.80，特异性为 0.85，AUC 为 0.91。这些数据均基于五折交叉验证得出，可靠性高。
- 生物标志物分析：基于 SHAP 的分析显示，对 AD 症状预测影响最大的通道位于右半球。这意味着右半球的某些区域在 AD 症状的发生和发展过程中可能起着关键作用。
综合研究结论和讨论部分内容来看，该研究成果意义重大。研究揭示了右额叶极区（rFPA）在负性情绪价下的血液动力学低激活可能有助于 AD 症状的预测，为 AD 症状的病理机制提供了新的见解。同时，研究中使用的深度学习框架和分析方法展现出良好的应用前景，有望在未来成为大规模人群抑郁及 AD 症状筛查的有效工具，帮助医生更精准地诊断疾病，制定个性化的治疗方案，从而提高患者的治疗效果和生活质量。 这项研究为精神健康领域的研究开辟了新的方向，为攻克焦虑抑郁相关疾病带来了新的希望。
