《npj Mental Health Research》:Impaired regional structure-function coupling as novel neurophenotype: mechanistic insights and diagnostic exploration in treatment-resistant depression
编辑推荐:
治疗抵抗性抑郁症(TRD)是临床重大挑战,传统诊断缺乏早期生物标志物。本研究通过整合多模态MRI,探究了TRD患者脑区结构-功能耦合(SFC)的改变及其与临床症状的关联。研究发现TRD患者在多个脑区存在显著SFC解耦,且基于SFC的机器学习模型可高精度区分TRD与非难治性抑郁症(nTRD)。这提示SFC改变是TRD的特定神经表型,有望成为个体化治疗的影像学生物标志物。
抑郁症是影响全球数亿人的常见精神障碍,而其中约三分之一到一半的患者对现有的抗抑郁药物治疗反应不佳,这被称为“难治性抑郁症”(Treatment-resistant depression, TRD)。TRD不仅复发率高、疾病负担沉重,还与更高的自杀风险紧密相关,堪称精神病学领域最棘手的临床挑战之一。然而,目前TRD的诊断很大程度上依赖于对多种抗抑郁治疗方案疗效的反复试错和临床观察,缺乏能够在治疗早期识别其风险的客观生物学指标,导致诊断延迟,不仅加剧了患者的痛苦,也造成了医疗资源的低效使用。为了改变这一局面,科学家们将目光投向了能够洞察大脑“秘密”的神经影像技术。
传统神经影像研究通常分别关注大脑结构或功能单方面的异常,但大脑是一个复杂的系统,其功能动态极大程度上受其解剖结构的约束,两者之间存在着深刻的耦合关系。这种“结构-功能耦合”(Structure-function coupling, SFC)反映了大脑功能活动模式与其底层结构架构之间的对应程度。近年来,研究发现SFC的破坏与多种神经精神疾病的网络效率降低、情绪调节紊乱及疾病进展有关。那么,在TRD这种特殊的抑郁亚型中,大脑的SFC是否发生了独特的改变?这些改变能否解释其临床症状,并作为一种潜在的诊断工具?
为了回答这些问题,一组来自国内的研究团队在《npj Mental Health Research》上发表了一项研究。他们开展了一项横断面研究,整合了多模态磁共振成像(MRI)数据,旨在探究TRD患者大脑区域SFC的改变模式,分析这些改变与临床症状的关联,并评估其作为TRD诊断生物标志物的潜力。
研究者采用了多种关键技术方法。他们从浙江大学医学院附属第一医院招募了308名参与者,包括72名TRD患者、152名非难治性抑郁症(nTRD)患者和84名健康对照(HC)。所有参与者均接受了高分辨率三维T1加权结构像和静息态功能磁共振成像扫描。研究团队从结构像中提取了灰质体积(Gray Matter Volume, GMV),从功能像中计算了低频振幅(Amplitude of Low-Frequency Fluctuation, ALFF)作为结构/功能指标。随后,他们基于脑网络组图谱(Brainnetome Atlas, BNA)和哈佛-牛津图谱(Harvard-Oxford Atlas, HOA),计算了每个脑区GMV与ALFF分布之间的Kullback-Leibler散度相似性,以此量化每个区域的SFC。最后,他们利用具有显著组间差异的SFC特征,构建了支持向量机(Support Vector Machine, SVM)和极限梯度提升(eXtreme Gradient Boosting, XGBoost)机器学习模型,以区分TRD和nTRD。
SFC在TRD、nTRD和HC三组间的差异
分析发现,与nTRD和HC组相比,TRD患者在多个脑区表现出显著的SFC降低(即“解耦”)。其中,在更换脑图谱模板和两次半样本验证分析后,仍有四个脑区的差异保持稳健。这些脑区包括:属于额顶网络(Frontoparietal Network, FPN)的右侧额中回(右A8vl区),以及属于感觉运动网络(Sensorimotor Network, SMN)的左侧顶下小叶(左A40rv区)、左侧中央前回(左A4hf区)和右侧颞上回(右TE1.0/TE1.2区)。这些发现表明,TRD患者在与认知控制和感觉运动整合相关的关键脑网络中,存在特异性的结构-功能协调性受损。
SFC值与临床症状的相关性
在全体患者中,SFC与临床症状的总体相关性较弱。然而,在分组分析中,研究者发现了一个有趣的现象:在nTRD组中,左侧海马前部(rHipp-L)的SFC值与自杀意念(BSI评分)和绝望感呈正相关,即该脑区的SFC越高,患者的自杀意念和绝望感越严重。但在TRD组中,这种相关性则消失了。这提示,在疾病的不同阶段,大脑网络可能存在不同的适应机制。在nTRD阶段,海马区增强的SFC可能反映了大脑为调节情绪而进行的残余性、代偿性的网络同步努力;而到了TRD阶段,广泛的结构-功能解耦可能导致这种代偿性链接的丧失,这与TRD患者对治疗反应不佳的临床特征可能有关。
基于机器学习的诊断模型
为了评估SFC特征的诊断潜力,研究者构建了机器学习分类模型。结果显示,无论是基于BNA图谱还是HOA图谱的SFC特征,SVM和XGBoost模型在区分TRD和nTRD时都表现出了优异的性能。特别是使用BNA图谱结果时,SVM模型的曲线下面积(Area Under the Curve, AUC)达到了0.950,XGBoost模型也达到了0.886。这表明,基于多模态MRI计算得到的区域性SFC特征,能够有效、高精度地区分TRD与nTRD患者,具有作为客观神经影像学生物标志物的巨大潜力。
这项研究的主要结论是,大脑区域性结构-功能耦合的破坏是难治性抑郁症的一种特异性神经表型。TRD患者在涉及认知控制和感觉运动整合的脑网络中表现出显著的结构-功能解耦。这种解耦模式将网络水平的异常与临床症状联系了起来。值得注意的是,在nTRD患者中,海马区SFC与自杀风险的独特关联,凸显了该区域在情感调节和风险评估中的关键作用,为早期风险预警提供了线索。
研究的核心意义在于,它首次系统揭示了SFC在TRD中的改变模式及其临床关联,并成功验证了基于SFC的机器学习模型在TRD鉴别诊断中的高精度。这为理解TRD的神经机制提供了全新的“多模态耦合”视角,突破了以往单模态研究的局限。更重要的是,该研究为开发基于客观影像指标的TRD早期识别工具奠定了坚实的基础。未来,通过识别具有早期结构-功能失衡迹象的患者,可以推动更及时的、个体化的干预策略,例如针对特定耦合异常脑区进行精准的经颅磁刺激(Transcranial Magnetic Stimulation, TMS)靶向治疗,从而真正实现从神经影像发现到临床应用的跨越。尽管研究存在横断面设计、样本代表性等局限,但其发现无疑为攻克难治性抑郁症这一临床难题点亮了新的方向。