0 引言

       抑郁症作为全球范围内常见的精神障碍，影响着全球数以百万计的人群^[1]，它不仅会损害患者的心理健康状态，还会对其社会功能和生活质量造成显著的负面影响^{[2, 3, 4, 5]}。世界卫生组织预计到2030年抑郁症将超过肿瘤和心脑血管疾病成为全球第一大疾病负担^[6]。在中国，抑郁症的终生患病率为6.9%，12个月患病率为3.6%^[7]。抑郁症的主要症状包括持续的情绪低落、对日常活动的兴趣和愉悦感的减退，以及显著的功能损害等^[8]，其病因涉及遗传、神经生物学、心理和社会环境等多方面因素，发病机制复杂，目前尚未完全明确。传统上，抑郁症诊断主要依赖临床症状和精神科医生的主观判断，由于缺乏可靠的客观生物学标志物，其诊断准确性和一致性往往难以保证^[9]。神经影像学技术，特别是功能磁共振成像（functional magnetic resonance imaging, fMRI）的快速发展和广泛应用，为深入研究抑郁症的神经机制提供了新途径^[10]。fMRI技术具有无创、实时监测的优势，能够同时捕捉静息态和任务态下的大脑神经活动。通过解析脑区间的功能连接并构建脑网络模型，fMRI技术为揭示抑郁症患者特征性脑功能异常模式提供了重要手段，进而为疾病的早期诊断、精准治疗和预后评估奠定客观基础^[11]。尽管已有综述对fMRI在抑郁症中的应用有所总结^{[12, 13, 14]}，但多数未能系统性地整合机器学习方法，也未能深入探讨脑网络的动态时变特性、多网络交互机制以及最终的临床转化路径。此外，现有研究多局限于单一模态或静态网络分析，难以全面刻画脑网络在时间维度上的动态演化及其与临床症状的关联。鉴于此，本综述旨在系统整合fMRI与机器学习在多维度脑网络研究中的最新进展，明确抑郁症的关键网络异常，并深入探讨其在诊断、预测与治疗中的潜在应用价值，以期弥补前期研究在方法整合与临床视角上的不足，最终为构建“影像-临床-算法”深度融合的精准诊疗框架提供理论支撑与实践方向。

1 脑网络概述

       大脑是一个高度复杂且有序的系统，神经元之间通过广泛地连接形成复杂网络以实现信息传递和处理^[15]。脑网络由节点（脑区）和连接（脑区间功能或结构联系）构成，根据连接性质可分为结构网络和功能网络^[16]。结构网络反映大脑解剖连接，如白质纤维束；功能网络描述大脑在特定任务或静息状态下脑区间的协同活动模式^[17]。在功能网络研究中，fMRI技术通过检测血氧水平依赖（blood oxygen level dependent, BOLD）信号变化来间接反映神经元活动。针对功能连接与网络属性的解析形成了三类核心分析法：（1）种子点相关分析属于预设导向型技术，需基于神经解剖或既往研究选定具有明确功能定位的脑区[如DMN核心节点内侧前额叶皮质（medial prefrontal cortex, mPFC）、后扣带回皮质（posterior cingulate cortex, PCC）]作为“种子点”，通过提取种子点BOLD信号时间序列并计算其与全脑其他脑区的相关性，定量评估脑区间功能连接强度，结果直观、易解释，适合验证“特定脑区功能异常”的假设，对抑郁症的目标网络异常检验尤为常用^[18]；（2）独立成分分析（independent component analysis, ICA）属于数据驱动型技术，无需预设种子点，通过FastICA等盲源分离算法将全脑fMRI数据分解为多个空间独立、时序不相关的独立成分，每个成分对应一个固有功能网络^[19]，该方法无偏性、发现性强，适合探索性研究和新网络的发现，已被用于抑郁症患者的大规模网络划分与机器学习诊断^[20]；（3）图论分析属于网络拓扑量化型技术，通过种子点或ICA获得功能连接矩阵，将脑区定义为“节点”、脑区间连接强度定义为“边”构建网络拓扑模型，再计算全局指标（如全局效率、聚类系数）与局部指标（如节点度、介数中心性）量化网络属性^[21]，可系统性地描述脑网络的宏观组织与微观模块异常。

       大脑存在多个重要功能网络，如默认网络、突显网络、执行控制网络等^[22]。这些网络在大脑信息处理、认知调控和情绪管理中发挥关键作用，其功能异常与包括抑郁症在内的多种精神疾病密切相关^{[23, 24]}。

2 抑郁症fMRI脑网络研究

2.1 默认网络

       默认网络（default mode network, DMN）是静息态下大脑活动最为活跃的网络之一，主要包mPFC、PCC、楔前叶、双侧角回等脑区。该网络在个体处于静息、内省、自我参照加工和情景记忆提取等状态时显著激活，而在执行外界任务时活动受到抑制^[25]。在网络拓扑结构层面，一项基于16个中心、1586名受试者（821例抑郁症患者）的静息态fMRI数据，采用图卷积网络对大脑功能网络进行建模与分类，发现DMN、前额叶-顶叶网络及扣带回-盖区网络是最具判别力的脑区，其节点拓扑特征与抑郁症状严重程度及病程显著相关^[26]。基于种子点相关分析发现，抑郁症患者的mPFC与PCC、杏仁核之间的功能连接增强^[27]，而与背外侧前额叶皮质（dorsolateral prefrontal cortex, DLPFC）等脑区的连接减弱^[28]。上述DMN功能异常与抑郁症的核心临床症状存在明确的对应关系，多项fMRI研究表明，mPFC-PCC的功能连接增强与反刍思维严重程度正相关，可作为其神经标记^[29]，DMN通过mPFC-PCC轴形成一个“全局工作空间”，在安静状态下整合自我相关信息。当该轴的功能连接异常增强时，大脑倾向于维持内部自我参照状态，难以切换至外部任务导向的认知控制网络，从而产生持续的负性反刍^[30]；与此同时，mPFC与杏仁核连接增强可能导致患者对负面情绪信息过度关注和加工，无法有效抑制负面情绪反应^[31]；mPFC与DLPFC连接减弱则可能影响认知控制功能，使患者难以调节情绪和思维^[32]。此外，DMN内脑区的局部一致性（regional homogeneity, ReHo）和低频振幅（amplitude of low frequency fluctuation, ALFF）也出现异常。研究发现，抑郁症患者的PCC和楔前叶的ReHo值降低，提示这些脑区神经元活动的协调性受损^[33]；而mPFC的ALFF值升高，表明该区域神经元自发活动增强，可能与患者过度的自我反刍和负性思维有关^[34]。综上所述，fMRI研究将DMN定位为抑郁症“自我参照思维失调”的核心枢纽。其异常并非单一方向的增强或减弱，而表现为关键节点自发活动亢进与网络间抑制控制连接减弱并存的复杂模式。这一模式从神经机制上解释了患者为何陷入持续且难以摆脱的情绪低落，也为以mPFC等为靶点的神经调控技术提供了坚实的理论依据。功能成像的价值在于它将主观的“胡思乱想”症状客观化为可量化的脑网络连接指标，实现了从临床症状到神经环路的跨越。

2.2 突显网络

       突显网络（salience network, SN）主要由前扣带回皮质（anterior cingulate cortex, ACC）、岛叶（insula, INS）、杏仁核等脑区组成，负责检测内外部环境中的突显刺激，并将注意力快速转移到重要信息上，在情绪调控、认知控制和决策过程中起重要作用^[35]。SN脑区结构与功能异常共同介导抑郁症情绪调节障碍。在结构上，有研究发现抑郁症患者的ACC和岛叶灰质体积减小，提示这些脑区可能存在神经可塑性改变^[36]。在抑郁症患者中，ACC功能障碍与自杀意念相关，ACC的灰质体积可能是抑郁症患者自杀意念风险的敏感生物标志物^[37]。功能连接方面，抑郁症患者SN内脑区之间以及SN与其他脑网络（如DMN、ECN）的连接异常。例如，SN与DMN的连接增强，使得患者难以有效抑制DMN的过度活动，导致持续的负性思维和情绪^[38]；而SN与ECN的连接减弱^[39]，可能影响患者对情绪和认知的有效控制，无法及时对突显的负面信息做出适应性反应。此外，SN活动异常与抑郁症的症状严重程度密切相关^[40]。研究显示，ACC和岛叶的激活程度与汉密尔顿抑郁量表评分呈正相关^[41]，表明SN功能异常可能是抑郁症病情进展的重要神经生物学基础。AGZIYART等研究证实，抑郁症患者的大脑功能网络呈现出明确的层级式损伤。其拓扑属性的恶化既包括表征全脑信息整合能力的全局效率降低，也涉及DMN、SN等特定系统内的局部效率异常，而关键枢纽节点连接的减弱则构成了连接局部功能障碍与全局整合失灵的关键病理环节。这一图论证据表明，抑郁症的认知情感症状与大脑网络从局部到全局的系统性功能失调密切相关^[42]。综上，SN的功能紊乱是抑郁症“认知-情感交互失衡”的关键病理中间环节。fMRI证据表明，SN在抑郁症中并非孤立受损，其作为网络动态切换“开关”的功能失灵，直接导DMN的负性内部思维与ECN的外部目标导向认知之间失去平衡。因此，SN的异常不仅关乎情绪突显信号的识别（如ACC与INS），更核心的是破坏了大脑在不同认知状态间的灵活转换能力，这为理解抑郁症的僵化思维模提供了整合性网络视角。

2.3 执行控制网络

       执行控制网络（executive control network, ECN）主要包括DLPFC、外侧前额叶皮质（lateral prefrontal cortex, LPFC）、顶下小叶等脑区，负责执行复杂认知功能，如注意力维持、工作记忆、任务切换和抑制控制等^[43]。在抑郁症患者中，ECN功能受损较为明显有研究发现，抑郁症患者在执行认知控制任务时，DLPFC和VLPFC等脑区的激活程度显著低于健康对照，且这些脑区与其他相关脑区的功能连接呈现异常，影响了认知控制和情绪调节功能，导致患者在应对日常任务及压力刺激时，无法有效集中注意力、维持工作记忆及抑制负面情绪，进而形成抑郁症状的恶性循环^[44]。抑郁症患者以DLPFC为种子点的功能连接分析显示，其与顶下小叶的功能连接强度显著降低。更重要的是，DLPFC对DMN的关键抑制通路也发生减弱，且其减弱程度与病程和复发次数相关^[45]。这种控制失灵进而导致ECN与DMN间的整体协同异常（功能连接性增强），造成注意力不集中和记忆下降等认知障碍，严重损害患者的日常生活质量及社会功能^[46]。概括而言，ECN在抑郁症中呈现出典型的“控制功能减退”模式，其病理本质不仅在于网络内部（如DLPFC）激活不足，更在于其对DMN的自上而下抑制效能衰退。这种抑制控制的丧失，使得ECN无法有效将认知资源从内在的负性沉思中解脱出来，从而直接导致以“执行功能下降”和“情绪调节困难”为特征的临床症状。功能成像通过刻画ECN-DMN的拮抗关系，为抑郁症的认知行为治疗和神经调控疗法（如刺激DLPFC）的作用机制提供了神经环路层面的解释。

2.4 其他脑网络

       除了上述主要脑网络外，还有一些脑网络在抑郁症研究中受到关注。例如，背侧注意网络（dorsal attention network, DAN），主要由顶内和额叶眼动区等脑区组成，负责自上而下的、目标导向的注意力分配，对维持专注和执行复杂任务至关重要^[47]。抑郁症患者的背侧注意网络存在显著功能异常。研究发现，抑郁症患者的DAN与后DMN之间存在过度连接，这种异常可能干扰外部注意力与内部自我参照思维的平衡，导致患者难以将注意力有效聚焦于目标任务，出现注意力分散、难以维持专注等症状，这进一步影响了患者的工作、学习效率和日常生活功能^[48]。

       腹侧注意网络（ventral attention network, VAN），包括颞顶联合区、岛叶前部等脑区，其主要功能是检测和响应环境中的突发刺激，实现自下而上的注意力转移^[49]。通过ICA证实，首发未用药抑郁症患者的VAN存在功能整合障碍，尤其体现在右侧楔前叶的同质性降低，表现出执行控制反应时间显著延长，这直接印证了其执行控制功能的效率低下^[50]。有研究表明，抑郁症患者对环境中突显刺激的响应模式出现异常，腹侧注意网络相关脑区在处理突发刺激时激活过度或不足，且与其他脑网络的交互出现紊乱。例如，颞顶联合区与DMN的连接增强，使得患者在面对外界刺激时，难以有效抑制DMN的过度活动，容易陷入负性思维循环，导致情绪波动和病情反复，从而加重抑郁症状^[51]。此外，感觉运动网络、视觉网络等在抑郁症患者中也有报道出现不同程度的功能改变^[52]，但这些改变的具体机制和临床意义尚需进一步深入研究。总体而言，DAN和VAN的异常，共同构成了抑郁症“注意力资源调配失当”的神经基础。fMRI研究指出，其障碍主要体现在与DMN的异常负相关关系减弱甚至反转，导致外部任务需求与内部自我参照思维在资源竞争中长期处于失衡状态。这从大脑网络资源配置的角度，深化了我们对抑郁症患者注意力分散、任务执行困难等非典型症状的理解，提示未来的干预策略需超越单一网络，着眼于改善全脑水平的网络间动态协作关系。

3 机器学习在抑郁症fMRI脑网络研究中的应用

       在基于fMRI的抑郁症脑网络研究中，机器学习方法主要分为三类^[53]：（1）监督学习利用标注数据建立预测模型，适用于抑郁症分类与诊断。常用算法包括支持向量机、随机森林、逻辑回归等传统方法，以及三维卷积神经网络（3D-convolutional neural networks, 3D-CNN）、图同构网络、长短期记忆网络等深度学习模型，可分别处理静态脑网络特征、拓扑结构及动态时序信息。（2）无监督学习不依赖标注信息，通过挖掘数据内在结构探索疾病亚型。例如，K-means可用于患者亚型划分，主成分分析则能对高维脑网络特征进行降维，为疾病异质性研究提供支持。（3）半监督学习结合标注与未标注数据，适用于罕见抑郁症亚型的识别与分析。机器学习作为一种强大的数据驱动分析方法，在抑郁症fMRI脑网络研究中发挥着越来越重要的作用。机器学习算法能够对高维、复杂的脑网络数据进行自动分析和模式识别，挖掘潜在的神经影像学生物标志物，实现抑郁症的精准诊断、病情预测和治疗反应预测。

4 抑郁症的诊断

       在抑郁症诊断研究中，机器学习算法通过挖掘fMRI脑网络数据特征，实现精准分类。一项基于多中心fMRI数据构建深度神经网络模型的研究中，结果表明，深度神经网络模型具有最优分类效能，其准确率达89%且AUC-ROC值为0.95。该模型对两年随访期内抑郁症转化病例的识别率达78%，验证了基于人工智能的客观诊断方法在抑郁症识别中的有效性，相较于传统诊断方式具有显著优势^[54]。另一项创新性研究提出的发现3D-CNN机器学习算法有效鉴别晚期抑郁症患者与健康人群，并能预测疾病严重程度。在90个感兴趣区域中，20个脑区的分类准确率超过85%。研究者通过开发三个独立预测模型，成功实现严重程度分级（重度、中度、轻度）的精准判别^[55]，该发现为精准医学在抑郁症领域的应用提供了算法支持，在晚期抑郁症的早期检测和症状监控方面具有重要临床价值。另一研究表明，利用全脑功能连接模式可有效量化MDD患者的自杀风险梯度。基于528名患者数据建立的SVM模型，对于区分从无到有的自杀意念乃至不同严重程度的风险等级均表现出良好性能（AUC范围：0.73~0.99），尤其擅长识别风险谱系两端的极端情况，为自杀风险的客观评估提供了重要的神经影像学依据^[56]。综上所述，基于机器学习的fMRI脑网络分析不仅实现了抑郁症的客观识别与严重程度分级，还拓展至自杀风险预测，为构建多维度的精准诊断体系提供了重要支持。

5 抑郁症的病情预测

       机器学习在抑郁症病情预测中展现出重要价值，主要包括“发作风险预测”和“复发风险预测”。XIA等基于中国健康与养老追踪调查数据，针对初始无抑郁症状的2331名中老年人，构建了多种机器学习模型预测其两年内抑郁症发作风险。结果显示，XGBoost模型表现最佳，其在测试集上的AUC为0.774，准确率达到72.2%，敏感度为75.7%，显示出良好的预测效能，为早期识别高危个体提供了可行工具^[57]。HIRSHFELD-BECKER等建立的线性SVM模型预测首发抑郁症的准确率、敏感度及特异度分别为92%、90%及93%，有抑郁症家族史且发病的青少年，其大脑DMN与ECN相关脑区（如膝下前扣带回、顶下小叶、背外侧前额叶）的功能连接显著弱于有家族史但未发病的同伴。未发病风险组的功能连接强度最高，甚至超过了健康对照组，提示较强的功能连接可能是一种重要的神经保护因子^[58]。在复发风险预测方面，研究侧重于识别已有抑郁症患者的疾病进程风险，尤其是预防再次发作。TEUTENBERG等基于MACS队列的571名抑郁症患者，使用随机森林模型，仅采用童年创伤、既往发作次数等7项核心风险因素，即可在2年内预测抑郁复发，平衡准确率达62.83%，并对“缓解型”和“严重型”疾病轨迹的预测平衡准确率分别达到64.23%和63.17%。该研究指出，即使引入更多探索性特征，模型性能提升有限，说明这些核心风险因素对复发预测具有关键价值^[59]。与此同时，NTAM等的系统综述进一步指出，尽管机器学习在预测抑郁症治疗反应与复发风险方面展现出潜力，但当前模型仍普遍缺乏外部验证，其泛化能力与临床适用性尚待进一步验证^[60]。总体而言，机器学习在识别高复发风险个体方面已显示出中等程度的预测能力，但仍需在泛化性与实用性方面进一步优化。

6 治疗反应预测

       在预测抑郁症治疗反应方面，机器学习为个性化治疗提供了有力支持。一项Meta分析提示利用机器学习在情绪障碍治疗反应预测的平均准确率为76%，AUC平均值为0.80^[61]。基于130名受试者（包括抑郁症患者及健康对照）的多中心研究，通过静息态fMRI数据采集，提取DMN、ECN以及其他相关脑区之间的功能连接特征。采用SVM和稀疏逻辑回归算法相结合的混合模型，预测抑郁症患者对不同治疗方法的反应。经过优化参数，模型交叉验证结果显示预测效能达85%（敏感度80%、特异度89%）。研究揭示，DMN与ECN之间的功能连接强度降低（β=-0.32, P=0.015）及杏仁核与前额叶皮质之间的连接异常（r=0.28, P=0.023）与治疗抵抗显著相关。这一结论为临床医生选择治疗方案提供了科学依据，有助于提高治疗有效性^[62]。

       DUAN等创新性地开发了基于图同构网络（graph isomorphism network, GIN）的深度学习架构，利用青少年抑郁症患者群体的基线fMRI功能连接图谱，通过十折交叉验证获得了74.24%的准确率（AUC=0.74）。特征重要性分析显示双侧岛叶、豆状核及前扣带回等脑网络枢纽节点展现出显著判别力。该框架的节点嵌入向量可量化反映关键脑区的拓扑特性，成功实现了治疗应答预测的可解释建模。研究进一步提出基于神经调控技术靶向干预这些脑网络节点的治疗范式，为青少年抑郁症的精准干预提供了新型计算精神病学方案^[63]。

7 总结与展望

       目前，抑郁症fMRI脑网络研究已取得显著进展，通过种子点相关分析、独立成分分析及图论分析等方法，揭示了DMN、SN、ECN等网络的功能/结构异常，明确了这些异常与快感缺失、认知损害等临床症状的映射关系，为理解抑郁症的神经机制提供了重要线索。多模态fMRI技术的应用，使我们能够从多个层面全面了解脑网络的变化；机器学习方法的引入则实现了抑郁症的精准诊断、病情预测及治疗反应预测的量化，为精准诊疗提供技术支持。然而，当前研究仍存在一些局限性。

       首先，在数据采集与预处理层面存在显著异质性。抑郁症是一种高度异质性疾病，不同患者在临床表现、病因机制和治疗反应等方面存在较大差异，而fMRI研究中扫描参数（如TR、TE、扫描时间）的设置差异直接影响图像信噪比与对比度，进而影响结果可比性^[64]。因此在设置扫描参数的时候应考虑到图像的对比度特性与合理的扫描时间的权重关系^[65]。一项由70个团队对同一数据集用各自偏好预处理方法及统计分析显示，报告结果的差异与分析方法有关^[66]。此外，预处理策略的多样性——如头动校正方法（包括平移/旋转阈值、Friston 24参数模型、帧间位移FD阈值等）与全局信号回归（global signal regression, GSR）的使用与否——均可能引入主观偏倚，影响样本构成与功能连接结果的解释。通常情况下采用平移超过2.0~3.0 mm或旋转超过2.0~3.0°作为剔除标准控制头动；也有研究者习惯使用Friston 24模型进行头动校正^[67]；还有通过计算帧间位移（framewise displacement, FD）的头动校正方法也不断为研究所接受，通过设定FD阈值来剔除高头动被试的策略，以确保结果的稳健性。既往研究指出无论在个人层面采用何种校正，将平均FD作为协变量通常都是必要且适当的^[68]。GSR通过从每个体素的时间序列中回归出全脑平均信号，旨在去除由生理噪声以及扫描仪漂移等引起的全局性伪影。一些研究人员认为，GSR有效地消除了整体效应并增强了连通性分析的空间特异性^[69]，同时也有研究者认为这会导致数据分析结果以零为中心的分布，改变了数据形态，对研究的可重复性产生影响。对此我们建议研究者同时报告使用和不使用GSR的结果，以增加结果的稳定性。此外，多中心研究往往也会导致站点效应，进而掩盖真正的神经影像学结果，产生假阳性结果并降低统计功效，破坏所谓发现的可信度和普遍性^[70]。一项研究发现，对于未经和谐的原始数据，在GRF校正后，站点差异仍十分显著。对此可以使用一种基于子抽样最大均值距离的分布偏移校正算法可以降低站点效应^[71]。为此，我们建议在研究报告中详细说明所有处理参数、软件版本及质控标准，并鼓励同时报告使用与不使用GSR的结果，以增强稳定性。对于多中心数据，应采用站点效应校正算法（如基于子抽样最大均值距离的分布偏移校正）进行数据和谐化处理，以提升结果的可靠性与泛化能力。

       其次，在分析方法与模型构建上仍有待深化。尽管机器学习在抑郁症影像学研究中已有广泛应用，但多数研究仍局限于静态脑网络特征，对动态功能连接及其时间波动特性的关注不足^[72]。近年来，NIU等^[73]的研究表明，基于动态功能连接的分类模型在区分抑郁症患者与健康对照组时表现出显著优势，提示动态特征具有更高的鉴别力。然而，目前尚缺乏将动态脑网络特征应用于抑郁症治疗响应或长期预后预测的系统研究。同时，现有模型多依赖单一脑网络特征（如仅DMN），忽略多网络交互特征；深度学习模型（如3D-CNN）存在“黑箱”问题，限制了其关键脑区机制的可解释性。

       最后，在临床转化与应用闭环方面存在明显不足。目前，基于脑网络的精准干预手段（如靶向DMN的经颅磁刺激）仍处于初步阶段，缺乏与机器学习预测模型相结合的“诊断-预测-干预”闭环验证体系。此外，fMRI技术本身存在一定局限性，如BOLD信号间接反映神经元活动，易受多种生理因素干扰，也增加了结果解读的不确定性。

       未来研究可围绕现有局限系统推进，以提升抑郁症脑网络研究的临床价值与科学深度：第一，进一步加强个体化研究，收集更丰富的临床和影像数据，结合个性化脑图谱构建技术挖掘个体层面脑网络特征，同时整合fMRI与磁共振波谱成像（检测神经递质）、功能近红外光谱（实时监测）等多模态数据，通过注意力机制等多模态机器学习方法提升诊断与预测精度；第二，未来可采用动态图神经网络分析脑网络的时间动态特征，结合纵向fMRI数据构建“动态-预测”模型，例如通过动态图神经网络识别抑郁症患者DMN与ECN之间的动态连接异常模式，预测患者对治疗应答；同时，利用可解释人工智能（如SHAP值、注意力可视化）解析动态模型的决策机制，明确关键动态特征（如特定时间窗口的连接波动）的神经意义；第三，多站点采样时尽可能使用相同型号MRI扫描仪及扫描参数，并统一规范化预处理流程；必要时采用最优和谐化技术校正多中心数据异质性，提升研究结果的稳定性和可重复性；第四，在此基础上，进一步开发基于脑网络的精准干预技术，结合机器学习预测的内mPFC、ACC等关键靶点优化神经调控方案，开展“机器学习预测-靶向干预-疗效评估”的闭环临床研究，第五，开发基于图论特征的可解释深度学习模型（如可解释图同构网络GIN），通过特征重要性分析明确关键脑区与临床症状的因果关系，为抑郁症神经机制研究提供新视角。总之，抑郁症fMRI脑网络研究为理解抑郁症的神经机制和实现精准诊疗提供了重要方向，机器学习的引入则将抽象的脑网络特征转化为可量化的诊疗工具。随着技术的不断进步和研究的深入开展，有望在抑郁症的诊断、治疗和预防方面取得更大突破，为改善抑郁症患者的生活质量带来新的希望。