优化抑郁症诊断:fNIRS与机器学习技术可区分单相抑郁、双相抑郁及健康状态

《Journal of Affective Disorders》:Optimizing depression diagnosis: fNIRS and machine learning differentiate unipolar, bipolar, and healthy states

【字体: 大 中 小 】 时间:2025年12月31日 来源:Journal of Affective Disorders 4.9

编辑推荐:

  本研究采用fNIRS技术结合六种经典机器学习和两种深度学习模型,评估了前额叶皮层分区与全脑特征在区分单相抑郁(UD)、双相抑郁(BD)和健康对照(HC)中的效果。结果表明,全脑整合结合眶额叶皮质(OFC)特征能提升分类性能,SVM和随机森林模型表现最佳,但BD与HC仍存在神经生理重叠,需结合多模态方法进一步研究。

  
朱佳云|吴博远| Mou Lan| 沈宇琪| 生振熙| 王泽峰| 沈中霞
中国湖州大学信息工程学院

摘要

背景

由于单相抑郁症(UD)和双相抑郁症(BD)的症状存在重叠,区分这两种疾病仍然具有挑战性,这可能导致误诊和不当治疗。功能性近红外光谱(fNIRS)提供了一种便携且客观的测量前额叶皮层活动的方法,但其用于临床相关的三分类(UD、BD、HC)的实用性尚未得到充分探索。

方法

在171名参与者(UD=72,BD=59,HC=40)进行语言流畅性任务时,使用22通道fNIRS记录了前额叶的血流动力学信号。评估了六种经典的机器学习模型(支持向量机、随机森林、XGBoost、逻辑回归、朴素贝叶斯、决策树)和两种深度学习模型(1D-CNN、LSTM),这些模型使用了全脑(FULL)特征和八个前额叶亚区进行三分类。所有模型都经过了超参数优化、分层5折交叉验证以及数据增强处理。性能指标包括准确率、敏感性、特异性和ROC曲线下面积(AUC)。

结果

SVM在全脑区域获得了最高的准确率(80.19%)。全脑整合模型的平均准确率比单一区域模型高出14.51%。在各个亚区中,眶额皮层(OFC)对分类性能的贡献最大(左侧OFC的平均准确率为67.40%)。单相抑郁症的识别最为可靠,而双相抑郁症经常与健康对照组(HC)有重叠,这反映了它们之间的内在神经生理相似性。深度学习模型的表现中等,这与样本量有限和特征维度较高有关。

结论

基于fNIRS的机器学习能够在群体层面可靠地区分单相抑郁症(UD)、双相抑郁症(BD)和健康对照组(HC)。全脑整合方法具有更好的性能,其中眶额皮层(OFC)是一个关键的区分区域。SVM和随机森林在准确率和临床可行性方面取得了最佳平衡。BD与HC之间的持续重叠仍然是一个挑战,这突显了需要更大规模的BD患者群体和补充的多模态评估方法。

引言

重度抑郁症(MDD)是一种常见的精神障碍(Malhi和Mann,2018)。在抑郁发作期间准确区分单相抑郁症(UD)和双相抑郁症(BD)是临床精神病学中的一个主要挑战(Hirschfeld,2014;Ma等人,2020a)。症状的高度重叠常常导致较高的误诊率(Stensland等人,2010)。被误诊为BD的患者如果仅接受抗抑郁药物治疗,可能会出现躁狂转换并导致病情恶化(Bowden,2005)。尽管先前的研究已经发现了认知特征和临床表型的一些细微差异(Inoue等人,2013;Kazour等人,2020;Kong等人,2022;Lu等人,2021),但基于行为的评估仍然容易受到主观因素的影响,因此需要客观的生物标志物。神经影像学研究显示MDD患者存在广泛的白质微结构损伤(Liu等人,2025b),这激发了进一步研究功能受损皮层区域的兴趣。功能性成像技术如fNIRS可以提供特定区域的皮层激活测量,从而系统地研究与抑郁症相关的前额叶亚区。
fNIRS作为一种有前景的神经影像学方法,有助于阐明精神障碍的神经基础(Blanco等人,2024;Chen等人,2023;Ho等人,2020;Pinti等人,2018;Wu等人,2024)。通过在语言流畅性任务(VFT)期间测量皮层血流动力学活动(Liu等人,2025a;Ma等人,2020b;Wu等人,2024a),fNIRS提供了一种间接但可靠的神经功能障碍标志。与fMRI相比,fNIRS更便携、成本更低,且对运动更为耐受,特别适合临床应用和重复评估(Eastmond等人,2022;Han等人,2023;Metzger等人,2017;Pinti等人,2018)。因此,越来越多的fNIRS研究指出前额叶皮层(PFC)的功能障碍是抑郁症的标志(Koike等人,2013;Li等人,2022;Verma等人,2024;Wang等人,2024;Wu等人,2024b;Zhu等人,2020)。在前额叶皮层中,眶额皮层(OFC)作为奖励处理和情绪显著性编码的中心,尤其值得关注(Marciano等人,2023;Zhang等人,2024;Zhou等人,2023)。然而,使用fNIRS区分UD和BD时,OFC的具体区分能力尚未得到充分探索。
将机器学习(ML)与fNIRS数据相结合,为开发客观的诊断辅助工具带来了巨大潜力(Bzdok和Meyer-Lindenberg,2018;Chen等人,2023;Cho等人,2019;Eastmond等人,2022;Huang等人,2024;Shen等人,2025)。然而,现有的fNIRS-ML研究主要集中在二元分类上(例如,患者与健康对照组(HC)(Li等人,2022;Song等人,2017;Wang等人,2023;Zhu等人,2020)或BD与UD(Ma等人,2020a)),而UD-BD-HC的三分类研究仍然不足。少数研究探索了基于fNIRS的多类分类(例如,精神分裂症与MDD与HC)(Diao等人,2024),而临床上关键的UD-BD-HC分类尚未得到研究。现有工作往往更强调技术新颖性,而不是与经典模型的系统比较。例如,尽管多模态方法(Shao等人,2024;Yi等人,2023)或复杂的深度学习模型(Yu等人,2022)显示出潜力,但它们的高计算需求阻碍了其常规临床应用。尽管对基于fNIRS的分类方法兴趣日益增加,但关于常用机器学习模型在临床相关三分类设置中的相对性能的比较证据仍然有限。因此,基于证据的临床算法选择指导基本上还不存在。此外,先前的研究主要依赖于全脑特征(Li等人,2022;Zhu等人,2020)或有限的解剖学划分(Diao等人,2024;Mao等人,2024),从而未能充分探索特定前额叶亚区的差异性诊断贡献。
为了填补这些空白,我们系统地对比了八种模型——六种传统的机器学习模型(逻辑回归、支持向量机(SVM)、朴素贝叶斯、随机森林、XGBoost、决策树)和两种深度学习架构(1D-CNN、LSTM)——在171名参与者中对单相抑郁症(UD=72)、双相抑郁症(BD=59)和健康对照组(HC=40)进行三分类。我们的目标不是提出新的架构,而是建立一个系统的基准,以指导临床导向的fNIRS研究中的模型选择。除了全脑(FULL)分析外,我们还从八个前额叶亚区(双侧背外侧前额叶皮层(DLPFC)、前极皮层(FPC)、眶额皮层(OFC)和腹外侧前额叶皮层(VLPFC)提取特征,以确定哪些区域对分类具有最大的区分能力。我们的严格评估旨在确定:(1)这种三分类任务中最有效和计算效率最高的ML算法;(2)在区分UD和BD方面最具区分力的关键前额叶亚区。
本研究的主要贡献如下:
  • •
    系统基准测试:首次在统一协议下评估六种经典ML模型和两种DL模型,提供了关于性能、鲁棒性和计算效率的证据。
  • •
    前额叶亚区分析:确定OFC在区分UD、BD和HC中的关键作用,这与它在奖励处理和情绪调节中的作用一致(Marciano等人,2023;Wang等人,2024;Zhang等人,2024)。
  • •
    临床指导:推荐使用高效、稳健的模型和特征配置,以支持可解释的决策制定。
  • 部分内容

    参与者

    本研究招募了171名年龄在18至60岁之间的参与者,来自湖州第三人民医院:59名BD患者,72名UD患者,40名HC患者。患者符合DSM-5标准,当前处于重度抑郁发作期,这一诊断由两位独立的精神病医生确认。HC患者没有精神病史,HAMD-17评分低于7分。所有参与者都是右撇子,至少接受过初等教育,并提供了书面知情同意。研究方案已获得湖州第三人民医院伦理委员会的批准。

    各模型的整体分类性能

    在评估的模型中,SVM在准确率、敏感性和特异性之间取得了最佳的平衡,表明其在不同诊断类别间的区分能力相对稳定。随机森林的准确率相似,但特异性最高(90.1%),这在临床筛查中可能具有优势。逻辑回归的表现也相当,而朴素贝叶斯、XGBoost和决策树的准确率较低。深度学习模型(1D-CNN、LSTM)的表现中等(74-75%)

    讨论

    本研究系统地评估了基于fNIRS的UD、BD和HC的三分类方法,重点关注算法选择、区域区分能力和临床可行性。我们的目标不是引入新的架构,而是确定在现实临床条件下提供最可靠和可解释区分能力的模型和前额叶亚区。模型、区域和评估指标之间出现了一致的模式,这为方法论和

    结论

    结合经典机器学习的fNIRS能够在群体层面区分UD、BD和HC,其中UD的区分能力最强。由于与HC的内在神经生理重叠,BD仍然是最具挑战性的类别。全脑整合和与OFC相关的特征提高了分类性能,而外侧前额叶区域提供了补充信息。这些结果突显了基于fNIRS的诊断工具在情感障碍中的潜力

    CRediT作者贡献声明

    朱佳云:写作——审稿与编辑,撰写初稿,可视化,研究,形式分析,概念化。吴博远:写作——审稿与编辑,监督,方法论,概念化。Mou Lan:写作——审稿与编辑,研究,数据管理。沈宇琪:写作——审稿与编辑,研究,数据管理。生振熙:写作——审稿与编辑,研究。王泽峰:写作——审稿与编辑,监督。沈中霞:写作——审稿与

    伦理声明

    本研究已获得湖州第三人民医院IRB(编号[2023–480])根据赫尔辛基宣言的批准。参与者提供了参与研究和数据发布的书面同意。

    资金

    本研究未获得任何公共、商业或非营利部门的资助。

    利益冲突声明

    作者声明没有利益冲突。

    致谢

    我们感谢所有参与者为这项研究付出的时间和努力。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号