《CNS Neuroscience & Therapeutics》：Magnetic Resonance Imaging in Cerebral Small Vessel Disease-Related Depression: From Visual Scoring to Artificial Intelligence
背景：脑小血管病（Cerebral Small Vessel Disease, CSVD）是血管性抑郁的关键病理基础。其神经影像学标志物的精准识别对于早期诊断、病理机制阐明及个体化治疗具有核心价值。近年来，磁共振成像（Magnetic Resonance Imaging, MRI）与人工智能（Artificial Intelligence, AI）的进展使得CSVD相关脑损伤的自动化、高通量表征成为可能。然而，将这些技术进展转化为针对抑郁特异性预测与分类的临床工具仍处于早期阶段。
结果与结论：本稿件旨在总结传统视觉评分系统在评估CSVD负荷及其与抑郁症状关联中的应用现状，综述CSVD相关抑郁的影像学与AI研究现状，为未来开发更精准、高效的影像诊断工具提供方向，最终推动精准医学在CSVD相关抑郁领域的实践应用与转化。
论文主体内容总结
1 引言
脑小血管病（CSVD）指累及脑内小动脉、微动脉、毛细血管和小静脉的一组病理过程，其诊断依赖于神经影像学。MRI上CSVD的典型影像表现包括近期皮质下小梗死（RSSI）、假定血管源性腔隙、白质高信号（WMH）、血管周围间隙（PVS）、脑微出血（CMBs）及脑萎缩。这些影像标志物不仅反映血管病理改变，且常与不良神经结局共存。越来越多的证据表明，CSVD不仅是认知障碍和卒中的重要原因，也是晚发性抑郁尤其是血管性抑郁的关键病理生理基础。
基于MRI的影像评估为理解CSVD与抑郁的复杂关系提供了独特窗口。传统上，依赖专家视觉评分的量表是评估CSVD负荷及其相关临床结局的标准方法。在抑郁领域，研究发现CSVD总负荷与抑郁症状呈正相关。然而，这些视觉评分方法存在固有缺陷，如主观性强、耗时、可重复性有限以及对细微变化不敏感。因此，开发更智能、自适应的分割工具成为迫切需求。
近年来，随着人工智能的快速发展，针对CSVD相关抑郁影像生物标志物的半自动和全自动图像分割与量化方法不断涌现。机器学习与深度学习方法的引入为从多模态MRI数据中自动、客观、高效地提取与抑郁症状相关的细微影像生物标志物开辟了新途径。深度学习模型可直接从原始图像中学习特征并自动检测和分割各类CSVD病灶，提示未来研究可借鉴此类数据驱动方法，整合多模态MRI特征，构建能更准确识别和预测CSVD相关抑郁风险的影像模型。
2 方法
本稿件为叙述性综述，旨在整合影像领域CSVD相关抑郁的现有证据。文献检索覆盖CNKI、万方、PubMed、Embase和Web of Science等多个电子数据库，检索词涵盖CSVD、抑郁、MRI、视觉评分、AI、深度学习和机器学习等关键词组合，对发表年份无限制。研究结果未进行正式的定量综合，而是采用叙述性方法整合并按主题分节组织。
3 CSVD相关抑郁的相互关系及临床意义
3.1 CSVD作为血管性抑郁的病理基础
血管性抑郁假说强调脑血管疾病尤其是CSVD在情绪障碍发病机制中的核心作用。CSVD破坏关键神经环路（尤其是额叶-边缘系统-皮质下网络）的结构和功能完整性，导致情绪调节受损。研究显示，伴有抑郁症状的CSVD患者白质网络效率显著降低，包括全局效率下降和特征路径长度增加，直接反映额叶-边缘环路的结构损伤。这种网络效率降低与抑郁症状严重程度相关，表明白质网络完整性是维持正常情绪功能的重要因素。
CSVD相关抑郁的神经生物学基础涉及多种病理生理过程的相互作用。慢性低灌注是CSVD早期且持续的特征，造成深部白质的慢性缺血性损伤，并与血脑屏障（BBB）功能障碍密切相关。CSVD的血管病理（如动脉硬化和淀粉样血管病）损害BBB完整性，导致血浆成分渗漏，触发神经炎症反应和氧化应激。神经炎症进一步加重髓鞘丢失，并可能直接损害神经元和突触功能。此外，内皮功能障碍在CSVD发病机制中发挥关键作用，可能通过影响脑血流自动调节和BBB功能间接促进抑郁的神经生物学过程。慢性低灌注、BBB破坏、神经炎症和内皮功能障碍形成相互强化的恶性循环，共同构成CSVD相关抑郁的复杂病理生理基础。
3.2 影像生物标志物识别的临床需求与价值
脑小血管病相关抑郁的早期识别和精准干预是当前临床的迫切需求。CSVD在老年人群中具有常见影像表现，这些影像改变不仅是血管损伤的指标，还与抑郁风险增加显著相关。研究表明CSVD严重程度与抑郁诊断密切相关。通过神经影像技术（如MRI）识别CSVD的早期影像生物标志物，对筛查抑郁高危人群至关重要。基于影像生物标志物对CSVD亚型（如动脉粥样硬化性血管病和脑淀粉样血管病）及其严重程度进行分层评估，可为临床医生提供客观依据，使其能够对高危个体实施预防性心理干预、加强血管危险因素管理并制定个体化随访计划。
4 传统视觉评分量表在CSVD抑郁评估中的应用
4.1 常用视觉评分量表
Fazekas量表是CSVD抑郁研究中使用最广泛的半定量评估工具之一，主要用于评估白质高信号的严重程度，将WMH的复杂影像表现转化为白质病变总负荷的量化指标。多项研究证实Fazekas量表视觉评分与抑郁症状严重程度显著相关。
改良Scheltens量表提供了更全面的评估框架，主要作为区域性WMH评分系统，适用于WMH进展与临床表现关系的纵向研究。研究表明该综合视觉评分系统与抑郁等神经精神症状的关联更为密切。
对于腔隙性脑梗死的评估，神经影像血管变化报告标准（STRIVE-2）提供了明确定义。STRIVE-1将腔隙定义为直径3至15mm的圆形或卵圆形病灶，内含液体或脑脊液样物质，通常位于皮质下区域。STRIVE-2不再推荐仅依靠病灶直径区分腔隙，而是建议综合病灶形态、病灶周围血管间隙及周围组织信号进行判断。对于重要的出血性CSVD标志物，微出血解剖评分量表（MARS）和脑观察者微出血量表（BOMBS）提供了专门评估框架。
年龄相关白质改变（ARWMC）评分是另一种系统性视觉评分工具，评估不同脑区白质病变的分布和严重程度。这种区域性评估方法有助于揭示白质病变空间分布模式与特定临床症状（如抑郁）之间的潜在联系。这些视觉评分量表的核心价值在于将定性的、复杂的MRI表现转化为可重复、可比较的定量评分或分级。
4.2 CSVD视觉评分与抑郁症状关联的证据
研究发现WMH总体积与抑郁风险增加显著相关（OR=1.07 [95% CI 1.05–1.10]），与晚发性抑郁（LLD）的研究结论一致。基底节和丘脑是调节情绪和动机的关键脑区，也是额叶-边缘环路的重要组成部分，这些区域的腔隙性梗死可能破坏连接额叶皮质和边缘系统的神经环路，导致情绪调节功能障碍，从而增加抑郁风险。
CMBs是CSVD的微血管出血标志物，其分布模式与抑郁症状的特定维度相关。额叶、基底节区和丘脑区域的微出血可能与抑郁的某些核心症状（如动机缺乏）有关。研究发现淡漠与CSVD总负荷评分呈正相关。然而，淡漠与抑郁在CSVD中需要区分——淡漠以动机减退、主动性降低和情感淡漠为特征，与额叶-纹状体-苍白球-丘脑皮质环路破坏有关，与执行功能障碍和额叶皮质白质纤维束破坏的相关性更强；而抑郁则与边缘环路更密切相关。这一区分对基于AI的模型具有深远意义：使用HAMD评分训练的分类模型若未解析这些维度，可能无意中学习到与淡漠或认知减慢相关的特征而非核心情绪障碍。目前尚无深度学习研究尝试在多模态MRI中区分CSVD人群的抑郁与淡漠，这是未来研究的关键方向。
脑萎缩尤其是全脑或海马萎缩作为CSVD的终末表现，其视觉评估指标也与抑郁症状相关。但此关联需谨慎解读，老年人群的脑萎缩尤其是海马萎缩常是神经退行性病理和血管病理共同作用的结果。
5 从视觉评分到自动定量分析：影像组学与机器学习
5.1 CSVD病灶的全自动或半自动分割与量化
随着MRI技术的普及，CSVD影像研究已从传统定性视觉评估转向计算机辅助定量分析。研究者开发了多种全自动或半自动图像处理算法和软件工具，主要依赖阈值分割、区域生长和图谱配准等传统图像处理技术，可高效地从MRI中识别和分割WMH。kNN-TTP、BIANCA和UBO Detector等软件工具已广泛应用于临床研究，可自动计算WMH总体积、病灶数量和空间分布等关键定量指标，显著提高研究效率并减少观察者间差异。然而需注意，自动分割WMH、CMBs、PVS或腔隙仅量化了CSVD病灶，其本身并不能确定抑郁生物标志物，分割后的体积/数量指标能否作为抑郁的特异性生物标志物仍需结合功能影像、皮质形态和临床信息综合判断。
5.2 基于机器学习的影像组学
影像组学是一种新兴的定量分析方法，以高通量方式从MRI图像中提取大量人眼难以识别的定量特征，为CSVD相关抑郁的精准识别提供了有力工具。这些特征不仅包括传统强度特征，还包括通过先进算法提取的纹理和强度等复杂特征，可全面描绘脑组织的微结构异质性。在WMH这一核心影像生物标志物中，影像组学可量化其内部异质性，可能反映白质损伤背后的病理生理过程并与抑郁症状的出现相关。与传统仅依赖体积或视觉评分的方法相比，影像组学能揭示更细微、更复杂的影像模式差异，超越人眼视觉评估的局限。
6 深度学习在CSVD图像分析中的实质性进展
6.1 CNN在CSVD病灶自动分割与量化中的应用
卷积神经网络（CNN）作为处理医学图像的主流深度学习架构，其核心优势在于能从原始图像数据中自动从低级到高级学习抽象特征，避免了传统方法中繁琐、主观的人工特征提取过程。CNN在CSVD影像标志物的自动分割和量化方面展现出巨大潜力。U-Net架构已成功应用于WMH等关键CSVD标志物的自动分割，基于CNN的自动量化特征已被证明能揭示与抑郁症状的新关联，超越传统视觉评分。
6.2 CSVD抑郁评估的深度学习模型
人工智能模型为直接从多模态MRI图像中识别CSVD相关抑郁状态提供了强大技术框架。这些模型直接使用原始或预处理的T1加权图像（T1WI）、弥散张量成像（DTI）等作为输入，可自动学习与任务相关的最优特征组合，可能发现此前未知的复杂跨模态交互模式，从而实现更高的分类性能。例如，结合图论分析和DTI数据的研究发现，伴有抑郁症状的CSVD患者白质结构网络效率降低，异常网络连接与抑郁严重程度相关。尽管直接应用深度学习模型进行CSVD抑郁分类的研究仍处于早期阶段，但相关工作为未来方向提供了启示。
7 定量影像与AI方法
7.1 先进弥散MRI技术
骨架化平均弥散率峰宽（PSMD）是反映白质微结构异质性的综合指标，对弥漫性血管损伤敏感，克服了传统DTI指标对病灶区域选择的依赖。研究发现晚发性抑郁（LLD）患者中PSMD与认知处理速度的负相关显著强于健康对照，且PSMD在预测执行功能方面优于传统SVD标志物。目前尚无研究直接考察CSVD中PSMD与抑郁症状严重程度（如HAMD评分）的关联。
传统DTI参数（FA、MD）受血管源性水肿和细胞外游离水增加的影响，而游离水成像可量化纤维束损伤（组织各向异性分数，tFA）和细胞外液增加（游离水分数，FW）。这一区分在CSVD中尤为关键，因为血脑屏障破坏和血管渗漏是核心病理过程。研究发现CSVD患者中HAMD抑郁评分与游离水分数（FW）显著相关，且与健康老年人群的模式相反，提示CSVD抑郁的神经机制可能以血管渗漏和炎症为主而非单纯白质纤维损伤。游离水成像若得到验证，可能成为监测抗炎或血管保护治疗疗效的生物标志物。
神经突方向离散度和密度成像（NODDI）利用多隔室模型区分细胞内、细胞外和脑脊液信号，产生神经突密度指数（NDI）和方向离散度指数（ODI）等参数，比传统DTI对微结构病理更具特异性。目前NODDI在CSVD中的应用主要聚焦于认知障碍，尚无研究将其与抑郁症状关联。
7.2 先进分割与Transformer架构
nnU-Net作为自适应框架，可自动优化预处理、网络架构和后处理策略，在多类医学分割任务中表现优异。系统验证研究表明nnU-Net在WMH分割中表现良好，与基准算法相比将检测治疗效应所需样本量减少了41%。但目前尚无研究将nnU-Net或类似先进分割工具应用于CSVD相关抑郁影像的临床关联分析。
Transformer架构可通过自注意力机制捕捉远距离脑区之间的复杂交互模式，理论上非常适合建模CSVD这类弥漫性、多灶性病变。初步研究已探索Transformer架构在多模态CSVD图像分析中的应用（如CSVDtransformer模型），但其目标多为预测CSVD负荷评分而非抑郁状态。Transformer在CSVD抑郁分类中的应用目前尚未探索。
8 多模态MRI与深度学习整合策略
8.1 结构MRI与弥散张量成像的联合分析
结构磁共振成像（sMRI）与弥散张量成像的联合分析代表了CSVD影像标志物研究从宏观形态向微观结构整合的重要进展。DTI技术测量白质纤维束内水分子的弥散特性，可定量评估常规MRI上正常表现白质（NAWM）的微结构完整性。通过结合反映宏观病灶的T2-液体衰减反转恢复（FLAIR）/T1图像与反映白质微结构完整性的DTI数据，可构建从宏观病灶到微观网络损伤的完整病理图谱。研究表明即使在WMH体积相似的情况下，伴有抑郁症状的CSVD患者白质网络效率（如全局效率）显著低于无抑郁者，提示微结构损伤可能在情绪障碍发生中发挥更关键作用。
8.2 功能MRI与结构信息的整合
将静息态功能磁共振成像（rs-fMRI）的功能连接信息与CSVD的结构损伤信息结合，构建"结构-功能"耦合模型，是深入理解CSVD抑郁神经机制的关键路径。rs-fMRI研究揭示了CSVD患者情绪调节相关网络内的异常功能连接。研究发现抑郁与突显网络和语言网络之间以及语言网络内部的功能连接减弱显著相关。整合结构损伤与由此导致的功能网络连接紊乱，可从"结构损伤-功能代偿/异常"的角度系统阐明CSVD如何通过破坏脑网络信息传递效率最终导致抑郁情绪的产生。
9 人工智能面临的当前挑战与解决方案
9.1 数据需求与标注瓶颈
人工智能在识别CSVD相关抑郁影像生物标志物方面潜力巨大，但其成功应用高度依赖大规模、高质量、精确标注的训练数据。获取符合伦理要求且包含详细临床信息的高分辨率MRI数据成本高昂且复杂。生成可靠标签是另一关键瓶颈——抑郁诊断需基于标准化神经精神量表评估，而CSVD病灶的精确勾画需由经验丰富的神经影像专家手工完成，两者均极为稀缺且耗时。数据稀缺直接限制了深度学习模型的泛化能力。
为解决数据稀缺和标注困难，研究者提出了多种创新方案。迁移学习是有效策略，可利用在大规模自然图像数据集（如ImageNet）上预训练的模型，将学到的通用特征提取能力迁移至医学影像领域，再用相对少量的CSVD MRI数据进行微调。此外，构建多中心、大规模共享数据集是解决数据瓶颈的根本途径。
9.2 模型的可解释性与临床可信度
深度学习模型在识别CSVD相关抑郁影像标志物方面潜力巨大，但其固有的"黑箱"特性构成临床应用的重大障碍。模型内部决策逻辑及所依赖的具体影像特征往往难以被人类理解，这种不透明性使临床医生难以信任模型输出，阻碍其作为辅助诊断工具融入常规临床实践。
为揭开"黑箱"，研究者正积极开发AI解释方法。注意力机制是重要技术之一，可通过生成热图直观展示哪些脑区或图像特征对模型预测贡献最大。SHapley Additive exPlanations（SHAP）等可解释性框架可清晰展示各特征对模型预测的贡献。然而，可解释性需谨慎对待——这些可视化结果不应自动等同于生物学有效性，可能捕捉到干扰变量而非真实神经生物学信号。目前尚无任何CSVD相关抑郁AI研究进行过独立生物学验证，这些可视化技术仍属于生成假设而非确认假设。
9.3 泛化能力与标准化
AI模型的泛化性和标准化是决定其能否在真实临床环境中成功应用的关键挑战。不同扫描设备、序列参数和人群间的模型性能下降是常见问题。不同厂商的扫描设备、场强（如1.5T和3.0T）及不同序列参数均导致图像对比度、信噪比和伪影的显著差异，影响模型识别和分割病灶的能力。研究人群的异质性（不同种族、年龄、合并症状态及CSVD亚型）也会导致影像特征分布偏移。
为应对这些挑战，需采取系列技术措施。数据预处理标准化是基础且关键步骤，包括强度归一化、偏置场校正和空间标准化等统一操作。域适应技术是提高模型跨中心和跨设备性能的有效策略，通过对抗训练或特征对齐使模型学习对成像差异不敏感的域不变特征。构建大规模、多中心、标准化的CSVD影像数据库是根本解决方案。
9.4 方法学质量与报告标准
对方法学质量进行批判性评估对于解读当前证据基础至关重要。医学影像AI领域已建立两个互补的报告指南：医学影像人工智能检查清单（CLAIM）包含42个条目，涵盖研究设计、数据处理、模型开发和评估；TRIPOD+AI声明是27条目的预测模型研究报告检查清单。
过拟合是小样本神经影像研究中常见的风险。在所综述的CSVD相关抑郁研究中，很少有研究报告除基本训练-测试分割外的明确过拟合缓解策略。数据泄漏的一个特别隐蔽来源是同一患者的图像或图像切片同时分布在训练集和测试集中，这会虚增性能估计。在CSVD研究中，确保参与者水平（而非切片或图像水平）的数据分割是强制性的。数据泄漏还可通过预处理步骤、全队列特征选择或纵向设置中的时间泄漏发生。目前所识别的CSVD相关抑郁AI研究均未明确报告对这些泄漏途径的防范。
临床显著抑郁在大多数队列中属少数亚组，导致类别不平衡使模型偏向多数类。标准缓解策略包括过采样、欠采样或类别加权损失函数。多中心研究对泛化性至关重要，但引入不同MRI扫描仪、场强、采集方案和位点特定预处理流程的变异性，需适当建模。外部验证是评估模型通用适用性的标准，但如表2所示，大多数CSVD相关抑郁AI研究依赖内部验证，仅Lin等人的研究包含外部验证队列。
尽管大多数研究报告了区分性指标（准确率、AUC），但很少有研究报告校准情况。TRIPOD+AI明确要求报告校准指标，所综述的CSVD相关抑郁研究中无一报告校准统计量，构成显著空白。最后，统计性能不等同于临床效用，预测模型应就其预期临床决策和净收益进行评估，而现有文献中此类证据尚不明确。
10 未来展望与研究方向
10.1 多模态与多尺度信息整合
未来研究应聚焦于开发更有效的多模态和多尺度信息整合策略，构建更全面、稳健的CSVD抑郁预测和诊断模型。需超越传统结构MRI，更有效地整合结构、弥散、功能及新兴MRI序列信息。DTI可揭示白质纤维完整性和结构网络拓扑属性变化，rs-fMRI可评估情绪处理相关网络的功能连接异常，定量磁化率成像（QSM）可能提供铁沉积信息。同时，遗传信息、液体生物标志物和详细临床量表评分等非影像数据对理解疾病机制和提升模型性能至关重要。
10.2 个体化医学与精准精神病学
CSVD相关抑郁的精准医学和个体化治疗是未来发展的核心方向。最终目标是构建整合神经影像、遗传信息、临床表型和环境因素等多维数据的智能系统，利用AI进行深度挖掘和建模，实现CSVD个体抑郁风险的个体化预测、病理机制分类和治疗决策支持。基于影像标志物推动CSVD抑郁亚型分类是实现精准精神病学实践的关键步骤。通过机器学习方法对CSVD抑郁患者的多项影像标志物进行聚类分析，已初步识别出具有不同影像特征组合和临床预后的亚型。通过这种细粒度亚型分类，临床医生可超越"一刀切"治疗模式，为不同患者亚型选择更具针对性的治疗。
10.3 临床异质性与构念效度
当前文献的一个关键局限是各研究间"抑郁"定义和测量方式的显著临床异质性。大多数视觉评分和MRI定量研究采用维度症状量表（如HAMD、GDS-15、CES-D、PHQ-9）而非基于DSM/ICD的结构化临床访谈进行重性抑郁障碍（MDD）诊断。这种实用做法将临床显著抑郁与亚综合征症状混为一谈，而两者可能代表不同的神经生物学基础。CSVD背景下"抑郁"应细分为相关临床亚型：（a）血管性抑郁——主要见于卒中和脑小血管病患者，影像上以白质高信号为特征；（b）卒中后抑郁（PSD）——临床明确的脑血管事件后发生的抑郁，可能涉及独特的炎症和病灶位置机制；（c）晚发性抑郁（LOD）——晚年首次发作的抑郁，常伴有潜在CSVD病理但无明确卒中史；（d）MRI定义的CSVD中的抑郁——可能与临床抑郁症状进展和脑损伤严重程度相关。这些亚型具有重叠但不完全相同的病理生理机制，当前文献无论使用视觉量表还是AI，很少按这些类别进行分层分析，限制了泛化性。
此外，横断面关联与纵向预测关系之间存在关键区别。表2中总结的大多数CSVD抑郁研究均为横断面设计，虽对产生假设有价值，但不能确立因果关系或预测未来抑郁风险。仅少数队列研究考察了基线CSVD负荷是否能预测随时间推移的抑郁发生，应用机器学习于这一纵向预测任务的研究更少。
10.4 值得未来研究的新兴技术
定量磁化率成像（QSM）主要测量基底节区与神经退行性变相关的脑铁沉积。在CSVD中，QSM检测的尾状核和壳核铁负荷与认知和运动功能障碍相关，但其与CSVD抑郁症状的关联尚未探索。沿血管周围空间的弥散张量图像分析（DTI-ALPS）通过测量血管周围间隙中水的弥散系数评估脑脊液系统功能，初步研究表明ALPS指数与CSVD执行功能缺陷相关，目前尚无研究探索DTI-ALPS与CSVD患者抑郁症状的关系。联邦学习可在不共享原始患者数据的情况下实现多机构模型训练，对CSVD抑郁尤为重要，但目前尚无联邦学习研究应用于CSVD抑郁分类。基础模型（如大规模预训练视觉Transformer）在CSVD抑郁分类任务中具有零样本或少样本适应潜力，目前该领域尚无已发表的实证证据。
11 结论
CSVD相关抑郁影像生物标志物的研究已从宏观形态评估逐步推进至微观结构和功能网络层面，正迈向AI驱动、精准识别的新阶段。与以往聚焦于AI在CSVD中的一般应用或特定模式（如病灶分割）的综述不同，本综述具有鲜明特色：指出抑郁定义的临床异质性是AI发展的重要挑战；利用既定报告框架（CLAIM、TRIPOD+AI）评估方法学严谨性，揭示模型验证中的常见缺陷；强调淡漠、抑郁症状、DSM/ICD定义的重性抑郁、晚发性抑郁和卒中后抑郁是构念不同、临床意义各异的实体，不应混为一谈。抑郁是优先但研究不足的目标，本综述为未来研究提供了路线图，旨在弥合AI技术发展与CSVD抑郁临床意义预测之间的差距。同时，也承认CSVD相关抑郁领域AI的证据基础有限，通过记录已知和未知信息并强调方法学严谨性的重要性，为进入该领域的研究者提供了有充分依据的起点。
