基于多中心fMRI数据的小脑-额颞叶有效连接特征对抑郁症的精准分类研究

【编辑推荐】本研究针对抑郁症（MDD）诊断缺乏客观指标的问题，通过多中心静息态功能磁共振（rs-fMRI）数据，首次采用格兰杰因果分析（GCA）提取小脑-额颞叶有效连接（EC）特征，构建LightGBM分类模型，交叉验证准确率达94.35%，独立验证准确率94.74%，为MDD的神经影像学生物标志物开发提供新范式。

　　

抑郁症作为全球致残率最高的精神疾病，其诊断长期依赖主观量表评估，缺乏客观生物学指标。尽管静息态功能磁共振（rs-fMRI）的功能连接（FC）分析已用于探索抑郁症神经机制，但FC无法揭示脑区间的信息流向，且既往研究样本量小（准确率仅58.6%-73.3%）、跨中心泛化能力不足。这一现状呼唤更精准的神经影像标志物——能反映脑网络定向调控关系的有效连接（Effective Connectivity, EC）技术。

中南大学团队联合多中心机构，基于中国"REST-meta-MDD"联盟的跨中心大样本数据集（含日本DecNef验证队列），开创性采用格兰杰因果分析（Granger Causality Analysis, GCA）提取EC特征。研究通过ComBat算法校正站点差异，结合LightGBM机器学习，首次系统评估了小脑-额颞叶通路的定向连接在抑郁症鉴别中的价值。论文发表于《Journal of Affective Disorders》，为精神疾病的客观诊断提供了新思路。

关键技术包括：1）从多中心rs-fMRI数据提取EC特征（GCA法）；2）使用ComBat算法消除站点变异；3）通过嵌套五折交叉验证优化LightGBM分类模型；4）在日本DecNef独立队列验证泛化性。

【研究结果】

1. 特征筛选：发现97个EC特征（主要分布于小脑与额颞叶）具有显著鉴别力（p<0.05，FDR校正），涉及小脑至颞中回、前额叶至小脑蚓部等定向连接。
2. 分类性能：模型交叉验证准确率94.35%（敏感性93.52%，特异性95.25%），独立验证准确率94.74%（敏感性90.59%，特异性96.75%），显著优于传统FC方法（Δ准确率>20%）。
3. 跨文化验证：在中国和日本队列中均保持稳定性能，证实小脑-额颞叶EC的跨人群鲁棒性。

【结论与意义】
该研究突破性地证实：1）EC比FC更能揭示MDD的神经机制，小脑向额颞叶的信息流异常是核心特征；2）LightGBM模型首次实现>90%的跨中心分类精度，达到临床辅助诊断标准；3）为"小脑-情感环路"理论（Chen et al., 2024a）提供实证，提示小脑不仅是运动协调中枢，更是情绪调控的关键节点。

局限性在于未整合FC等多模态特征，且未在其他精神疾病（如双相障碍）中验证特异性。未来研究可结合定向连接与动态功能连接，进一步优化分类效能。这项工作为精神疾病的精准分型及靶向神经调控治疗提供了重要依据。