0 引言

       抑郁症是全球范围内致残的主要原因之一，据世界卫生组织数据，全球约有3亿人受抑郁症的困扰，已成为疾病负担的主因之一；2018年数据显示，抑郁症在疾病负担排行中位列第三，预计到2030年可能升至首位^[1]。青少年抑郁症发病率呈显著上升趋势，10~19岁人群中约34%具有罹患临床抑郁症的风险^[2]。抑郁症患者自杀已成为15~29岁人群的第三大死因^[3]。在我国，抑郁症是致残的第二大原因^[4]。因此，早期识别及精准干预对于改善患者生活质量、减轻家庭与社会负担具有重要意义^[5]。

       神经影像学技术在抑郁症的监测、诊断及治疗随访中发挥着重要作用，其中结构MRI（structural MRI, sMRI）与功能MRI（functional MRI, fMRI）已被广泛应用于相关研究与实践。但受限于抑郁症的异质性，其预测能力仍有限。随着数字化时代的来临，抑郁症的预测、诊断与治疗正经历着巨大变革，人工智能（artificial intelligence, AI）的快速发展为个体化、精准化诊疗与预后评估提供了新路径。目前在医学影像学领域广泛应用的AI主要有传统的机器学习（machine learning, ML）和深度学习（deep learning, DL）两大类^[6]。ML依赖于计算机系统通过算法与统计模型从数据中学习和推断规律，从而实现预测或数据分群^{[7, 8]}。与传统ML方法不同，DL（尤其是卷积神经网络）能够从原始数据中自动学习与当前任务（如分类或回归）相关层级特征的表征，对自然图像和医学影像数据进行逐层抽象学习^[9]。尽管近年来已有综述围绕基于医学影像的AI在抑郁症的应用有所总结^{[10, 11]}，但多侧重于技术方法的概述，未能深入探讨抑郁症特异性神经MR影像与AI技术深度融合的应用现状，亦缺乏对模型泛化性、可解释性及临床转化等关键瓶颈的系统性剖析。鉴于此，本文将系统梳理基于人工智能技术的MRI在抑郁症中的应用进展，重点阐述当前研究在疾病早期识别、精准分型及疗效预测等方向的最新探索，并深入分析制约临床部署的重要技术挑战，以期弥补前期综述的不足，最终为推动AI辅助的抑郁症诊疗决策提供参考。

1 AI技术在抑郁症影像学中的应用现状

       绝大多数抑郁症患者的临床常规检查并无可见的器质性改变，但采用AI技术可以更好地分析sMRI或fMRI的微小变化，从而实现疾病的鉴别与预测。在抑郁症影像学中，AI技术的应用已从传统的ML发展到DL。ML能够分析影像及流行病学等数据，准确预测并诊断抑郁症^[12]。ML主要包括无监督学习、有监督学习和强化学习等，通常具有模型复杂性和处理高维或复杂数据形式的能力，涵盖了从简单的线性回归等传统统计分析工具到前沿的深度神经网络算法等各种类型^[13]。有监督学习方法利用了标签信息，其分类准确率通常优于无监督学习方法在相同任务中的表现，每种方法在各自的应用中都存在一定的局限性，但恰当组合这些方法有可能实现更高的整体分类准确率^[14]。有监督学习包括支持向量机（support vector machine, SVM）、逻辑回归、随机森林、决策树等。其中SVM使用最广泛，可以处理非线性分类任务，常被用于基于MRI数据区分抑郁症患者与健康对照^[15]。而无监督学习算法的核心目标是在没有标签的数据中发现潜在的结构或内在规律，主要包括聚类算法、降维算法、异常检测算法及关联规则算法，典型代表有k-均值聚类及主成分分析等。无监督聚类在识别患有精神健康疾病个体的自然表现特征方面展现出了良好的前景，尤其在区分抑郁症和精神分裂症方面表现突出^[16]。目前ML算法广泛应用于抑郁症研究中^[17]。但大多数ML算法处理MRI数据时输入经过选择的特征，会导致数据信息遗漏。而DL算法不需要进行特征选择，可以保留MRI图像更多的原始信息，处理更复杂的问题。DL在有监督和无监督学习问题上都展现出优秀的性能，多项研究在fMRI和皮质数据上对这些模型进行基准测试，有研究显示DL在单个受试者预测（用于精神疾病诊断或预后）方面优于传统ML^[18]。但DL并非没有缺点，其计算量极大增加，且可能缺乏可解释性。总之ML与DL算法拓宽了抑郁症研究的视野，目前ML方法正被探索纳入临床决策支持系统，用于诊断精神健康状况以及对治疗结局的预测^[19]。

2 AI结合MRI在抑郁症中的研究进展

2.1 诊断

       目前，抑郁症的诊断主要依赖于《精神障碍诊断与统计手册》等临床诊断标准^[20]。MRI不是必须的检查项目，通常仅用于排除潜在的器质性病变，但随着研究深入，特别是fMRI等技术的发展，为探索抑郁症的神经机制提供了新途径。有观点认为，基于精神疾病患者存在脑结构与功能改变的证据，脑部MRI应作为首发精神病性症状患者的常规检查项目^[21]。在sMRI方面，基于灰质体积构建的个体化结构协方差网络分析显示，抑郁症患者存在全脑网络效率增高、局部中心性异常及特定连接通路改变等拓扑属性受损，其中，丘脑-岛叶连接的强度与抑郁症状严重程度相关，这些发现可能为未来的诊断与治疗提供线索^[22]。fMRI研究则更多地关注大脑网络内部与网络间交互的异常。例如，有研究通过结合SVM分析杏仁核与相关功能网络的连接，可揭示抑郁症患者情绪与认知功能失调背后的潜在神经机制异常^[23]。基于静息态fMRI（resting-state fMRI, rs-fMRI）特征的ML模型，其关键分类特征多位于默认模式网络、凸显网络和中央执行网络，并且这些特征能有效区分抑郁症患者与健康对照^[24]。GALLO等^[25]联合SVM和图卷积神经网络对来自多个站点的共计3378例被试（包含抑郁症和健康被试）的fMRI数据进行分析，SVM通过五折交叉验证对参数进行优化，而图卷积神经网络则采用随机搜索策略对参数进行优化，可视化分析结果发现丘脑功能连接增强是抑郁症较为稳定的神经特征，但由于疾病异质性与数据噪声，模型分类准确率仅约61%。LIN等^[26]则以度中心性作为特征，基于SVM对432例受试者（包括抑郁症和健康对照）的rs-fMRI数据进行分类，通过留一法交叉验证，模型基于左侧小脑前叶与右侧尾状核度中心性值的分类准确率达87.71%，敏感度为84.85%，特异度为79.06%。为提升诊断性能，将弥散张量成像（diffusion tensor imaging, DTI）应用于抑郁症的研究中成为重要方向。例如，GUO等^[27]融合了339名被试（包括抑郁症和健康对照）的rs-fMRI与DTI数据，构建个体化网络并基于SVM模型进行分类，同时纳入54名抑郁症和46名健康患者进行独立验证，模型性能从72.2%提升至90.3%，并能有效预测疾病严重程度。类似方法在青少年抑郁症中也显示出研究价值，基于功能连接特征的分类准确率约为69.18%^[28]。然而，也有大规模研究未能成功识别出可用于个体化诊断的稳定神经影像标志物，原因可能是抑郁症涉及的脑部变化是异质的、状态依赖性的、非特异性的及多因素的，无法简化为单一生物标志物，至少其并非传统意义上的“诊断生物标志物”，其次病例对照、二分类过于简单并难以解释抑郁症的复杂本质，这提醒研究者需要重新思考理论框架和方法学策略，而非简单地增加样本量或算法复杂度，推动未来研究应向动态、纵向、个体化、跨维度数据及异质性机制剖析的范式转变^[29]。深度整合神经影像与基因转录组、神经递质等信息相等跨尺度数据，不仅有望提升分类准确率，更能增进对抑郁症神经生物学与分子遗传基础的理解^[30]。例如，神经影像-转录组关联分析已识别出数百个与脑结构-功能改变相关的基因，这些基因富集于蛋白质定位、RNA代谢等生物学过程^[31]。这种宏观脑变化与微观分子机制的关联研究，是发现可靠生物标志物、实现个性化诊疗的关键。此外，由于精神疾病间存在症状与机制的共病与重叠，如何精确区分抑郁症与其他精神障碍（如精神分裂症）亦是研究重点。有研究采用基于激励任务的堆叠集成模型，虽在整体上能有效区分患者与健康对照，但对抑郁症与精神分裂症的鉴别能力仍有限^[32]。有研究者通过改进DL模型（如SE-ResNet），引入软池化技术，在包含303名受试者的专有数据集上进行评估，可将分类准确率提升至85.8%^[33]。然而，尽管基于神经影像的AI方法在抑郁症辅助诊断中展现出广阔前景，但当前仍面临模型泛化能力不足、生物学解释性有限以及与临床实践整合度不高等核心挑战。

2.2 疾病预测

       抑郁症的发病高峰多见于儿童、青少年及成年初期^[34]，早期识别相关危险因素对于预防疾病发生、改善治疗结局具有重要意义。抑郁症的遗传率约为30%~40%，显著低于精神分裂症、双相情感障碍等精神疾病（约65%~70%），表明环境与非遗传因素亦在其发病中扮演关键角色^[35]。

       在预测模型的构建中，ML方法已展现出较大潜力。例如，一项基于129名被试者的研究中，使用变量筛选与随机森林模型，通过十折交叉验证获得了85%的预测准确率^[36]。此外，基于XGBoost等算法的研究显示，家庭收入、性别、血压、吸烟、体质量指数、受教育水平、血糖、年龄、婚姻状况及肾功能等均为抑郁症状的重要预测因素^[12]。在自杀风险预测方面，整合自然语言处理与个体化sMRI数据的XGBoost模型，能够稳定识别自杀意念^[37]。其他ML方法亦取得一定进展。随机森林模型通过左侧颞叶、额上回等脑区特征，可有效预测抑郁症患者的焦虑症状^[38]。基于多序列MRI特征的随机森林模型在自杀风险评估中表现稳健，其关键特征在其他ML模型中得到验证^[39]。SVM分析则提示海马-前额叶回路及感觉整合区域可能参与自杀行为的形成^[40]。DL方法通过融合多个脑结构体积指标，亦能以较高准确率预测自杀风险^[41]。总体而言，基于多变量ML的结构与功能成像分析正在推动抑郁症症状预测向更客观、量化方向发展。

       然而，当前基于行为与神经影像的预测模型仍难以直接应用于临床实践，其性能与泛化能力有待进一步提升，融合分子机制的研究为此提供了重要方向。研究表明，抑郁症患者脑脊液及周围组织中可能存在γ-氨基丁酸与谷氨酸能系统失衡，特定脑区谷氨酸水平下降与情绪反应减弱有关^[20]。近期研究揭示患者基因表达、细胞类型特异性及蛋白质相互作用网络呈现广泛紊乱，并与默认模式网络状态相关，进而引发失眠、情绪障碍等症状，进一步对转录组-神经影像联合分析，发现相关基因显著富集于突触前信号转导等通路，且在兴奋/抑制性神经元中特异性表达^[42]。在自杀行为预测中，结合转录组定义分区与集成学习方法的研究提示，视觉皮层可能存在谷氨酸能与γ-氨基丁酸能功能失调，这种兴奋/抑制失衡可能通过影响情绪与认知加工，最终增加自杀风险^[43]。未来，MRI有望作为抑郁症诊疗的常规影像学检查手段，并结合基因、神经递质等多维度数据，辅助精神科医师实现更精准的风险分级、随访管理与强化干预，推动临床诊疗向个体化与系统化方向发展。

2.3 指导治疗

       在抗抑郁药物治疗方面，现有药物多作用于多巴胺受体等靶点，而局部脑区灰质体积的改变可能成为评估治疗预后的潜在生物标志物^[44]。例如，舍曲林对抑郁症状的改善作用，被认为与默认模式网络、注意网络、扣带回、腹侧边缘及颞叶等区域的动态网络重组有关。其中，皮层-边缘系统及前内侧岛叶-默认网络的动态功能变化，与不同治疗方案中常见的症状缓解模式相关联。这些基于早期治疗反应或整体康复过程的动态静息态指标有望发展为用于监测和预测干预效果的临床工具^[45]。近年来，ML方法的引入进一步推动了治疗预测的精准化。有研究采用XGBoost算法，结合多模态MRI与临床数据，能够较高特异性地预测抑郁症患者对舍曲林的早期治疗反应^[46]。另一项研究则利用图神经网络融合fMRI与脑电图数据，发现边缘系统内部功能连接最强，而额顶控制网络在脑电信号中表现突出，基于这些特征成功预测了舍曲林的治疗反应^[47]。这些研究揭示了ML与多模态脑影像结合，能够识别出与药物疗效相关的脑网络生物标志物，进而为个体化用药提供参考。除药物治疗外，神经调控技术如经颅直流电刺激^[48]、经颅交流电刺激^[49]在抑郁症治疗中显示出一定的临床潜力。有研究通过融合神经影像学与ML方法，成功构建了针对经皮耳廓迷走神经刺激疗法疗效的预测模型，验证了该途径的可行性^[50]。深部脑刺激是治疗难治性抑郁症的另一重要干预手段，但患者对该疗法的反应率存在较大个体差异。近年来，研究者尝试运用ML模型预测患者对深部脑刺激的治疗反应，其中SVM与朴素贝叶斯分类器较为常见。目前，内侧前脑束、胼胝体下扣带回以及腹侧囊/腹侧纹状体等是深部脑刺激常用的靶点，其中以胼胝体下扣带回的应用最为广泛^{[51, 52]}。研究表明，通过整合结构影像、功能连接、神经电生理及临床特征等多模态数据构建的ML模型，能够较好预测难治性抑郁症患者对胼胝体下扣带回刺激的治疗反应^[53]。ALAGAPAN等^[54]进一步采用可解释AI方法，分析患者胼胝体下扣带回的局部场电位变化，发现其可敏感捕捉个体恢复状态，该研究还结合术前白质网络的结构完整性与功能连接损伤程度，预测患者的恢复轨迹，并通过视频分析对面部表情进行客观量化，为建立个体化的深部脑刺激管理策略提供了新的生物标志物。此外，亦有研究将刺激靶点扩展至延髓纹状体床核及伏隔核，并构建了融合ML、电生理、神经影像及行为数据的综合预测框架，该研究发现，延髓纹状体床核θ频段功率降低以及前额叶-延髓纹状体床核自上而下的相干性下降，与治疗效果相关，该模型不仅能准确预测深部脑刺激的疗效及生活质量改善，且在睁眼与闭眼状态下均得到验证，显示出较好的临床转化潜力^[55]。在电休克治疗方面，研究显示其可增加左背外侧前额叶皮质、左眶额叶皮质及左下额叶皮质的低频振幅值，而基线功能连接特征对症状改善具有一定预测作用，有助于评估电休克治疗对抑郁症的疗效^[56]。DL作为ML的重要分支，因其在处理大规模神经影像数据、整合多源生物标志物方面的优势而备受关注。其在疗效预测中的表现常优于传统回归方法，准确率可达约80%，显示出推动个性化医疗发展的潜力^[57]。总体而言，当前证据表明ML在预测抑郁症治疗反应方面具有良好前景，为推进个体化精准治疗提供了可行路径。但该领域仍面临一些挑战，包括需要更大规模的数据集、进一步提高模型的可解释性，以及通过标准化研究协议和外部验证来推动临床转化。基于AI的MRI在抑郁症中的应用详见表1。

点击查看表格

表1  基于AI的MRI在抑郁症中的应用
Tab. 1  Application of AI based MRI in depression

3 展望

3.1 大语言模型在抑郁症研究中的应用前景

       大型语言模型（large language models, LLMs）凭借其强大的自然语言理解和生成能力，已成为推动临床诊疗流程（包括诊断、预防与治疗）智能化的重要工具。基于LLMs开发的智能对话系统，有望在临床任务辅助、个性化健康管理等方面发挥重要作用，代表了AI在精神健康干预领域的一个前沿方向^[58]。然而，目前将此类模型整合至临床实践仍处于初步探索阶段，其在实际应用中的效能（如在抑郁症识别、分类与管理中的具体贡献）仍需通过严谨的研究加以评估。现有研究表明，基于RoBERTa、BERT等架构的语言模型，在利用临床记录或社交媒体文本进行抑郁症状的早期检测与分类方面，已表现出较高的有效性^[59]。进一步利用传统ML方法融合音频、文本等多模态特征，可提升模型对抑郁症的筛查性能。未来，纳入面部表情、生理信号等更丰富的模态信息，可进一步提高筛查的敏感性与特异性^[60]。值得关注的是，LLMs在精神健康领域的应用也引发了关于数据隐私、质量、公平性及伦理等方面的新担忧，这是在技术推广过程中必须审慎应对的问题。

3.2 联邦学习在隐私保护中的作用与挑战

       联邦学习（federated learning, FL）作为一种分布式ML范式，能够有效解决构建联合模型时的数据孤岛问题^[61]。允许多个中心在不直接共享本地原始数据的前提下协同训练模型，因而在理论上为医疗数据隐私保护提供了可行方案^[62]。该框架已被尝试应用于抑郁症等精神疾病的检测研究中，其去中心化的结构被视为具有内在的隐私保护优势^[63]。为进一步增强安全性，差分隐私、安全多方计算及加密通信等技术常被引入FL框架^{[64, 65]}。然而，FL并非绝对安全。即使在无法直接获取原始数据的情况下，攻击者仍可能通过成员推理^[66]或梯度反演^[67]等手段，从共享的模型更新中推断甚至重建敏感信息。目前，多数医疗领域的FL部署缺乏系统的威胁建模、足够的加密保护以及对潜在风险与开销的全面评估。对于尤为敏感的精神行为数据，隐私保护措施的不足及实证安全测试的缺失，制约了联邦学习系统在临床环境中的可信度与可解释性^[68]。

       为增强电子健康记录在FL中的隐私与安全性，研究提出了多种技术方案，包括数据匿名化^[69]、对抗攻击检测^[70]及鲁棒训练方法^[71]等；例如，自适应加权中值滤波可通过抑制噪声与异常值来提升模型鲁棒性，结合卷积与记忆网络的混合架构能增强对恶意攻击的抵御能力，而联邦隐私保护网格网络则通过建立安全的去中心化通信通道来保障数据交换安全，这些方法旨在实现数据效用与隐私保密之间的平衡^[72]，未来，通过集成联邦加密、改进的多方计算协议以及更高效的恶意攻击检测机制，有望进一步加强FL在医疗数据分析中的隐私保护能力，从而在确保数据安全的前提下，推动跨机构、跨地域的稳健模型协作，最终服务于临床的精准决策。

3.3 模型性能提升的关键策略

       为推进AI在临床医学中的实际应用，必须着力提升模型的性能与可靠性。这涉及一系列技术挑战的解决，包括数据质量不佳、数据集间的分布偏移、模型“黑箱”特性导致的决策不透明、验证方法不严谨以及监管框架缺失等，需特别指出，在模型开发阶段若内部验证方法选择不当，可能严重高估ML算法的性能表现，从而影响其临床转化潜力^[73]。

       高质量、大规模的数据是模型性能的基础，但医学数据采集成本高昂，样本量往往有限。数据增强技术因此被广泛采用，以扩充训练集并提升模型鲁棒性^[74]。然而，常规增强方法可能生成偏离原始数据真实分布的样本。近期研究提出了一种基于理论框架的生成对抗网络（generative adversarial network, GAN）专用数据增强方法，该方法通过优化增强数据来改善生成器与判别器对原始分布的学习效果，实验表明，该方法在自然图像和医学影像数据集中均能带来持续且显著的性能提升，并在应用于特定GAN模型时，在弗雷歇起始距离等指标上达到了当前最优性能^[75]。合成数据增强不仅能有效扩充样本，还被证明可以显著提升模型在外部数据集上的泛化能力，有助于缓解因扫描设备、成像参数及场强不同而引发的域偏移问题^[76]。此外，跨站点的数据标准化处理对于多中心研究至关重要。通过减少或消除不同机构间的技术差异，实现脑部MRI数据的统一化处理，能够显著提升后续图像处理与分析的一致性，从而增强模型对未见站点数据的协调与泛化能力^[77]。

       当前，许多AI模型面临数据异质性高、缺乏多中心外部验证、依赖回顾性单中心数据以及可解释性差等瓶颈^{[78, 79]}。这些问题限制了模型的广泛适用性。同时，影像采集协议与临床金标准缺乏统一，进一步增加了将AI工具整合进现有临床工作流程的复杂性。为应对这些挑战，未来的发展应侧重于组织大规模的多中心协作，以构建多样、标准且高质量的数据集。在此基础上，将可解释AI框架整合至现有的影像数据库与通信系统中，并开发能够自动处理多源异构数据的端到端分析流程，释放AI在提升诊断准确率与优化治疗规划方面的全部潜力^[80]。

3.4 AI模型的可解释性与临床转化

       将ML转化为抑郁症临床可用的工具，主要涵盖辅助诊断、风险预测、治疗反应评估及生物标志物监测等关键环节，其根本目标在于改善患者结局。目前，基于AI的MRI研究数量已相当丰富，并显示出显著的临床应用潜力；这些工具能够高效处理大规模数据，为临床判断提供参考。然而，真正整合到精神病学日常实践中的ML案例仍然有限。该领域面临若干特有挑战，包括训练数据缺乏多样性与代表性、数据可能隐含人为偏倚、模型预测准确性不足，以及结果可解释性差等问题^[81]。由于抑郁症涉及个人隐私与伦理敏感性问题，多数机构难以收集到足量且多样化的样本。此外，研究间异质性（如影像数据的采集参数、扫描协议与处理流程不一），会导致模型难以在不同数据集之间有效泛化，也使跨研究结果比较变得困难^[82]。在模型层面，精神病理本身具有复杂性、主观性及高共病性，当前大多数ML模型的分类准确率在80%左右即遇瓶颈，且决策过程往往不透明，致使临床医生难以理解其推断依据，从而降低了信任度与采纳意愿^[83]。为应对数据瓶颈，推动跨机构的数据共享有望在一定程度上改善样本多样性与代表性问题^[84]。此外，各类DL模型固有的“黑箱”特性，是阻碍其临床落地的主要障碍之一。因此，发展可解释AI方法，通过可视化等方式揭示模型内部决策逻辑，正成为解决该问题的重要途径^[85]。例如XU等^[86]在基于表观遗传学和脑部影像特征的抑郁症检测中引入SHAP解释工具，增强了随机森林模型的分类准确率及可解释性。此外，有研究在基于rs-fMRI数据的Transformer分类模型中，采用Grad-CAM可视化技术识别与抑郁症相关的大脑功能异常区域，进一步提升了模型的可解释性^[87]。LEE等^[88]则利用具有注意力可视化机制的图神经网络分析rs-fMRI数据，实现了对抑郁症和精神分裂症患者与健康对照组的有效区分，提升了模型分类性能与可解释性。这些兼具预测性能与可解释性的AI框架，可为神经影像学提供一种有效、非侵入性的辅助决策工具^[89]。未来通过提升模型泛化能力、增强其可解释性、并在符合伦理规范的前提下推动临床场景整合，AI技术将在精神健康领域发生巨变，这为进一步开发鲁棒、透明且能与现有临床路径深度结合的抑郁症智能辅助系统，指明了发展方向^[90]。

4 总结

       综上所述，AI驱动的抑郁症影像学研究已取得显著进展，各类算法模型在特定任务中展现出不同优势。然而，该技术向临床场景的深度整合仍面临多重结构性挑战，其转化应用亟需系统性地突破数据标准化、模型鲁棒性、伦理监管与循证医学证据链等关键环节。具体而言，在技术层面，主要问题在于多中心影像采集协议存在异质性，易导致数据分布偏移，且尚未建立统一的质量控制标准；现有模型在跨文化、跨人群的外部验证中普遍出现性能下降，反映出其泛化能力仍较局限。在临床层面，问题同样突出，包括缺乏大样本、前瞻性、注册式的临床试验支持，导致现有证据等级有限；涉及患者隐私保护、算法偏倚及模型可解释性不足等问题，持续引发伦理争议；相应的医疗器械审评路径、临床准入机制与医保支付体系尚不完善。未来通过聚焦早期筛查与预防、精准预测、多模态信息融合以及跨疾病谱拓展等路径，AI影像学有望从研究工具逐步迈向成熟的临床实用阶段。

       为进一步推动该领域发展，未来研究可优先聚焦以下方向：第一，整合影像、行为与遗传等多维度特征，构建抑郁症高危人群预测模型，并衔接数字化干预平台，以实现疾病的一级预防及早期筛查；第二，发展个体化治疗反应预测算法，融合影像组学、基因组学及临床表型数据，推动个体化的精准医疗实践；第三，依托多模态DL框架，实现结构、功能、代谢影像与可穿戴设备实时生理信号的动态整合与解析；第四，借助迁移学习等方法，建立抑郁症与双相情感障碍、焦虑症等常见精神疾病的影像学鉴别体系，提升诊断特异性和临床实用性。