重度抑郁障碍病症的人工智能诊断方法 | 新国大苏研院陈南光团队发表科研成果

近日，新加坡国立大学苏州研究院（以下简称“新国大苏研院”）生物医学工程创新中心高级研究员陈南光团队联合新加坡国立大学医院助理教授及精神病学专家何书晖团队，及新加坡国立大学医疗健康创新与科技研究院（iHealthtech）何振民教授团队在期刊《Asian Journal of Psychiatry》发表研究成果。研究团队开发出了一种针对重度抑郁障碍 （Major depressive disorder, MDD）病症的人工智能（AI）诊断方法，该方法在MDD患者分类和评估抑郁严重程度方面都显示出良好的辨识能力，为精神医学领域研究提供重要帮助。

研究背景

MDD是一种常见且严重的多因素情绪障碍，具有增加患者包括中风、痴呆症和脑血管疾病等高致残率、高死亡率躯体疾病的风险。鉴于MDD对个人健康和社会功能产生的深远影响，对其实施早期诊断、及时干预和有效治疗至关重要。

近年来，多种病因模型和危险因素均指向精神障碍疾病与大脑神经活动密切相关，而MDD的病理生理特征可能反映在大脑皮层异常的血流活动和氧合代谢中。功能性近红外光谱技术(fNIRS)可以探测脑皮质微细血管内血红蛋白浓度的变化，从而间接地反映神经元活动。这项技术具有非侵入式、可快速持续成像、高灵敏、易操作、低成本、可移动等诸多安全和方便测量的优势，这些特性不仅为大规模人口数据的收集提供可行方案，也使其成为极具临床应用价值的新型神经成像工具。

研究结果

研究团队通过功能性近红外光谱仪器采集514名受试者（包括251名确诊MDD患者）的脑皮层氧合/脱氧血红蛋白变化数据，开发了针对多通道时序变化信号的深度学习模型。分析结果后发现，相比健康受试者，MDD患者的氧合血红蛋白浓度变化偏低，特别是抑郁症状严重的MDD受试者，其皮层激活的减弱与认知功能的下降存在显著的相关性，这些特征被认为是MDD的潜在标志物。同时，该研究还深入讨论了特定皮层区域对MDD分类的重要性，从而提高对MDD脑功能障碍的理解，为诊断和干预MDD提供有价值的参考。

▲基于fNIRS脑功能激活数据与可视化AI模型实现对抑郁障碍的特征分析以及严重程度评估

应用前景

这项研究表明，使用以血红蛋白生物标志物为中心的数据驱动分析可以潜在地提升抑郁诊断的客观性，且可视化AI模型有助于为临床诊疗和康复监护提供关于大脑健康及认知状况的解释与评估。另一方面，研究团队指出当前fNIRS设备还受限于缺乏深度灵敏度、难以消除个体间脑组织散射差异以及无法测量血氧绝对浓度水平等问题。为进一步提高对脑神经活动信号的监测准确性，研究团队计划引入时域光学扩散成像技术并采集具有深度分辨的脑组织血流动力数据，为研究更广泛的精神健康和脑疾病问题提供可靠的技术平台与数据模型