《Advanced Science》：Ecologically-Valid Emotion Signatures Enhance Mood Disorder Diagnostics
编辑推荐：
本文提出了一种创新性的生态效度情绪功能网络（DEFN）框架，通过整合自然情境情绪诱导、动态功能连接（dFC）与机器学习技术，在健康个体中识别出高精度（83.99%）的情绪特异性脑网络模式。该DEFN模型在跨中心临床数据集（包括重度抑郁症（MDD）和双相情感障碍（BD））中验证显示，其分类准确率（MDD: 70.33%；BD: 75.18%）显著优于基线模型，且不受年龄、性别因素影响，为心境障碍的客观诊断提供了可重现、临床相关的神经功能标记，有望推动早期精准干预。
研究背景与意义
心境障碍，如重度抑郁症（MDD）和双相情感障碍（BD），是全球范围内高致残率的精神疾病，其特征为持续的情绪失调和功能损害。尽管神经影像学研究已广泛开展，但可靠的神经功能标记仍难以确立。传统静息态功能磁共振成像（rs-fMRI）研究存在可重复性低、生态效度不足等局限。为此，本研究提出一种名为“发散情绪功能网络（DEFN）”的新方法，结合自然情境情绪诱导、动态功能连接（dFC）分析和机器学习，旨在开发具有高临床转化价值的神经标记。
研究方法与框架
研究分为两个阶段：第一阶段在52名健康参与者中通过自然情境电影范式诱发快乐与悲伤情绪，采集功能磁共振成像（fMRI）数据，采用滑动窗口法和k均值聚类识别出4种动态脑状态，并基于线性支持向量机（SVM）构建情绪分类模型；第二阶段将DEFN应用于临床静息态数据集，包括多中心MDD队列（n=174）和独立BD队列（n=112），通过嵌套10折交叉验证评估DEFN在区分患者与健康对照（HCs）中的效能。
动态状态与DEFN的识别
聚类分析确定4种重复出现的脑状态，其频率分别为状态1（5.87%）、状态2（19.81%）、状态3（35.46%）和状态4（38.87%）。各状态在情绪处理中表现出特异性的功能连接（FC）模式：状态3与快乐情绪相关，涉及默认模式网络（DMN）、前额顶叶网络（FPN）和边缘网络（LN）的广泛增强连接；状态4则显示负性情绪调节相关的抑制性连接。基于状态3和状态4特征组合的模型在区分快乐与悲伤时达到最高准确率（83.99%），其DEFN权重主要分布于视觉网络（VN）、背侧注意网络（DAN）和边缘网络（LN）等网络间的连接。
临床验证与分类性能
在MDD数据集中，DEFN模型分类准确率达70.33%（曲线下面积AUC=0.675），显著优于基线模型（57.58%）；BD数据集中的分类准确率为75.18%（AUC=0.716），较基线提升12.00%。麦克尼马尔检验表明DEFN的引入显著改善模型性能（p<0.005）。此外，在控制年龄和性别因素后，DEFN模型仍保持高分类效能（MDD: 70.17%；BD: 74.18%），证明其稳健性。
情绪相关功能障碍模式
在MDD中，异常连接主要涉及视觉网络（VNa）与背侧注意网络（DANb）、腹侧注意网络（VAN）、前额顶叶网络（FPNb）及皮下网络（SN）之间的交互，提示感觉-认知整合失调与情绪处理障碍。BD则表现出更广泛的网络异常，除上述网络外，还包括体感运动网络（SMNb）、默认模式网络（DMNc）和皮下网络（SN）的参与，反映了其情绪波动与认知控制功能的弥散性损害。
讨论与创新点
本研究通过自然情境范式捕获了更接近真实情绪反应的脑动态活动，克服了传统实验设计的生态效度局限。DEFN不仅揭示了情绪处理的核心网络机制，还证实其在跨疾病、跨中心数据中的泛化能力。与基于静态元分析区域的前验模型相比，DEFN模型在分类性能上显著优势，凸显了动态、个体化网络标记的临床潜力。
局限性与展望
研究的局限性包括健康样本量较小、电影内容异质性可能影响状态一致性，以及MDD数据集中缺乏药物使用信息。未来需扩大样本多样性，标准化刺激材料，并深入探索DEFN在治疗预测和病程监测中的应用价值。
结论
DEFN作为一种可重现、临床相关的神经功能标记，为心境障碍的客观诊断提供了新路径，有望促进早期识别与个性化干预策略的发展。
