近日，新加坡國立大學蘇州研究院（以下簡稱“新國大蘇研院”）生物醫(yī)學工程創(chuàng)新中心高級研究員陳南光團隊聯(lián)合新加坡國立大學醫(yī)院助理教授及精神病學專家何書暉團隊,，及新加坡國立大學醫(yī)療健康創(chuàng)新與科技研究院（iHealthtech）何振民教授團隊在期刊《Asian Journal of Psychiatry》發(fā)表研究成果,。研究團隊開發(fā)出了一種針對重度抑郁障礙 （Major depressive disorder, MDD）病癥的人工智能（AI）診斷方法，該方法在MDD患者分類和評估抑郁嚴重程度方面都顯示出良好的辨識能力,，為精神醫(yī)學領域研究提供重要幫助。

研究背景

MDD是一種常見且嚴重的多因素情緒障礙,，具有增加患者包括中風,、癡呆癥和腦血管疾病等高致殘率、高死亡率軀體疾病的風險,。鑒于MDD對個人健康和社會功能產(chǎn)生的深遠影響,，對其實施早期診斷,、及時干預和有效治療至關重要。

近年來,，多種病因模型和危險因素均指向精神障礙疾病與大腦神經(jīng)活動密切相關,，而MDD的病理生理特征可能反映在大腦皮層異常的血流活動和氧合代謝中。功能性近紅外光譜技術(fNIRS)可以探測腦皮質微細血管內(nèi)血紅蛋白濃度的變化,，從而間接地反映神經(jīng)元活動,。這項技術具有非侵入式、可快速持續(xù)成像,、高靈敏,、易操作、低成本,、可移動等諸多安全和方便測量的優(yōu)勢,，這些特性不僅為大規(guī)模人口數(shù)據(jù)的收集提供可行方案，也使其成為極具臨床應用價值的新型神經(jīng)成像工具,。

研究結果

研究團隊通過功能性近紅外光譜儀器采集514名受試者（包括251名確診MDD患者）的腦皮層氧合/脫氧血紅蛋白變化數(shù)據(jù),，開發(fā)了針對多通道時序變化信號的深度學習模型。分析結果后發(fā)現(xiàn),，相比健康受試者,，MDD患者的氧合血紅蛋白濃度變化偏低，特別是抑郁癥狀嚴重的MDD受試者,，其皮層激活的減弱與認知功能的下降存在顯著的相關性,，這些特征被認為是MDD的潛在標志物,。同時，該研究還深入討論了特定皮層區(qū)域對MDD分類的重要性,，從而提高對MDD腦功能障礙的理解,，為診斷和干預MDD提供有價值的參考。

▲基于fNIRS腦功能激活數(shù)據(jù)與可視化AI模型實現(xiàn)對抑郁障礙的特征分析以及嚴重程度評估

應用前景

這項研究表明,，使用以血紅蛋白生物標志物為中心的數(shù)據(jù)驅動分析可以潛在地提升抑郁診斷的客觀性,，且可視化AI模型有助于為臨床診療和康復監(jiān)護提供關于大腦健康及認知狀況的解釋與評估。另一方面,，研究團隊指出當前fNIRS設備還受限于缺乏深度靈敏度,、難以消除個體間腦組織散射差異以及無法測量血氧絕對濃度水平等問題,。為進一步提高對腦神經(jīng)活動信號的監(jiān)測準確性，研究團隊計劃引入時域光學擴散成像技術并采集具有深度分辨的腦組織血流動力數(shù)據(jù)，為研究更廣泛的精神健康和腦疾病問題提供可靠的技術平臺與數(shù)據(jù)模型