抑郁症是最常见的精神障碍之一，临床表现存在较大的异质性，这是抑郁症的科学研究和临床诊疗的困境之一。对抑郁症进行基于临床亚型的研究可以促进对其不同机制的理解，有助于精准医疗的实现。
近日，上海交通大学医学院附属上海市精神卫生中心彭代辉课题组联合上海科技大学生物医学工程学院王乾课题组，先后在国际顶级期刊IEEE Transactions on Medical Imaging和IEEE Transactions on Affective Computing上发表了题为Randomizing Human Brain Function Representation for Brain Disease Diagnosis和Hierarchical Encoding and Fusion of Brain Functions for Depression Subtype Classification的研究成果，首次结合中国临床调研的主要临床特征类型，构建了基于脑功能表示学习的抑郁症亚型分类模型，为抑郁症的精准诊断提供影像学支撑。
一、基于随机脑功能表示的精神疾病诊断
基于静息态功能磁共振成像的脑功能连接分析方法已经在精神疾病的诊疗研究中得到广泛应用。由于脑影像数据的高维异构属性，脑功能连接的分析多依赖于预先选择的脑图谱。为了克服在使用脑图谱时难以避免的主观选择偏差、配准误差、个体化差异，我们提出随机化重采样策略构建脑功能表示。通过随机采样大脑功能区域，设计相应的全脑功能表示（包括参照锚定区域的功能描述和位置描述），进而通过自适应选择辅助Transformer网络整合实现神经疾病诊断。对于抑郁症非典型vs.忧郁型的分类准确度可达76.2%，且其在其他重点精神疾病具有可验证的通用性。该研究为基于脑功能表示的精神疾病诊断提供了新的方案。
二、基于分层编码和融合的脑功能表示进行抑郁症亚型分类
抑郁症是一种病因复杂的严重精神疾病，其临床表现上具有较强的异质性，即存在多种抑郁症亚型。对抑郁症亚型的研究可能会加深对该疾病的认识，有助于诊断和治疗。我们提出了一个大脑功能的层次编码和融合框架。首先，预训练一个模型，从单个的大脑区域中提取特征，这对应着大脑功能网络中的节点。然后，构建不同的图（Graph）来连接每个大脑中的节点，从而得到大脑功能的多视图表示。再次，通过节点的局部编码及其跨多个图的交互学习，进一步开发一种图融合策略来集成多视图信息。最后，将该方法用于对抑郁症分型诊断，对忧郁型vs. 非典型vs.焦虑型的诊断准确率可达65.8%，且阐明了最具关联的十个脑区。该研究从脑网络角度，实现了抑郁症的分型诊断，为抑郁症精准诊疗提供了支撑。
附属精神卫生中心彭代辉主任和上海科技大学生物医学工程学院王乾教授为该论文的共同通讯作者，上海交通大学生物医学工程学院博士生刘孟君和附属精神卫生中心博士后张慧凤为共同第一作者。该工作得到了上海科技大学生物医学工程学院沈定刚教授、上海交通大学生物医学工程学院张立箎副教授等的合作支持。本研究受科技创新2030重大项目、国家自然科学基金、上海市科学技术委员会及上海交通大学转化医学交叉研究基金等资助。
原文链接：
https://ieeexplore.ieee.org/abstract/document/10440630
https://ieeexplore.ieee.org/document/10531005
参考文献
[1]Mengjun Liu, Huifeng Zhang, Mianxin Liu, Dongdong Chen, Zixu Zhuang, Xin Wang, Lichi Zhang, Daihui Peng, Qian Wang. Randomizing Human Brain Function Representation for Brain Disease Diagnosis. IEEE Transactions on Medical Imaging. 2024. doi: 10.1109/TMI.2024.3368064.
[2]Mengjun Liu, Huifeng Zhang, Mianxin Liu, Dongdong Chen, Rubai Zhou, Wenxian Lu, Lichi Zhang, Dinggang Shen, Qian Wang, and Daihui Peng. Hierarchical Encoding and Fusion of Brain Functions for Depression Subtype Classification. IEEE Transactions on Affective Computing. 2024. doi: 10.1109/TAFFC.2024.3401251
