分享:
分享到微信朋友圈
X
• 临床研究 •
基于皮层-纹状体-小脑环路结构与代谢特征的可解释机器学习模型预测青少年首发重度抑郁障碍恢复后复发风险
王金鑫 王冉超 葛继元 李月峰 曹志宏 罗一烽 刘瑜

本文引用格式 王金鑫, 王冉超, 葛继元, 等. 基于皮层-纹状体-小脑环路结构与代谢特征的可解释机器学习模型预测青少年首发重度抑郁障碍恢复后复发风险[J]. 磁共振成像, 2026, 17(11): 38-46. DOI:10.12015/issn.1674-8034.2026.11.005.


[摘要] 目的 探讨基于皮层-纹状体-小脑(cortical-striatal-cerebellar, CSC)环路结构与代谢特征的可解释机器学习模型预测青少年首发重度抑郁障碍(major depressive disorder, MDD)恢复后复发风险的价值。材料与方法 前瞻性连续纳入200例恢复期青少年首发MDD患者,经随访及影像质控后最终分析182例,随访24个月。基于结构磁共振成像提取CSC环路相关脑区体积特征,基于磁共振波谱成像提取代谢物指标。在训练集中采用单因素Cox回归和最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)-Cox回归筛选关键影像特征,分别构建Cox、CoxBoost和随机生存森林(random survival forest, RSF)模型;在测试集中采用一致性指数、时间依赖性受试者工作特征曲线下面积、Brier评分和精确率-召回率曲线下面积评价模型性能,并应用沙普利加性解释(SHapley Additive exPlanations, SHAP)方法分析模型结果。结果 最终筛选出L-ACC-Glx、L-ACC-NAA、R-ACC-mI、R-BG-sV、L-Tha-sV和L-Tha-Cho共6项关键特征。RSF模型在测试集中综合表现较好,一致性指数为0.768,6、12和24个月时间依赖性受试者工作特征曲线下面积分别为0.790 [95% 置信区间(confidence interval, CI):0.695~0.873]、0.775(95% CI:0.674~0.859)和0.742(95% CI:0.636~0.833),Brier评分分别为0.119、0.158和0.207。SHAP分析显示,L-ACC-Glx、L-ACC-NAA、L-Tha-sV和R-BG-sV降低,以及R-ACC-mI和L-Tha-Cho升高,与较高复发风险相关。结论 CSC环路多模态影像特征可为青少年首发MDD恢复后的复发风险分层提供客观依据。基于RSF的可解释生存模型有望辅助恢复期青少年MDD患者的个体化随访管理。
[Abstract] Objective To evaluate an interpretable machine learning model based on structural and metabolic features of the cortical-striatal-cerebellar (CSC) circuit for predicting recurrence after recovery in adolescents with first-episode major depressive disorder (MDD).Materials and Methods In this prospective study, 200 adolescents with first-episode MDD who had achieved recovery were consecutively enrolled. After follow-up and imaging quality control, 182 were included in the final analysis. The follow-up period was 24 months. Regional brain volumes within the CSC circuit were derived from structural MRI, and metabolite measures were obtained using magnetic resonance spectroscopy. Key imaging features were selected in the training set using univariable Cox regression followed by LASSO-Cox regression. Cox, CoxBoost, and random survival forest (RSF) models were constructed. Model performance was evaluated in the test set using the concordance index, time-dependent area under the receiver operating characteristic curve, Brier score, and area under the precision-recall curve. Shapley additive explanations (SHAP) were used to interpret the model predictions.Results Six key features were retained: L-ACC-Glx, L-ACC-NAA, R-ACC-mI, R-BG-sV, L-Tha-sV, and L-Tha-Cho. The RSF model showed comparatively favorable overall performance in the test set, with a concordance index of 0.768. The time-dependent areas under the receiver operating characteristic curve at 6, 12, and 24 months were 0.790 [95% confidence interval (CI): 0.695 to 0.873], 0.775 (95% CI: 0.674 to 0.859), and 0.742 (95% CI: 0.636 to 0.833), respectively, and the corresponding Brier scores were 0.119, 0.158, and 0.207. SHAP analysis showed that lower L-ACC-Glx, L-ACC-NAA, L-Tha-sV, and R-BG-sV, together with higher R-ACC-mI and L-Tha-Cho, were associated with a higher risk of recurrence.Conclusions Multimodal imaging features of the CSC circuit may provide objective imaging information for stratifying recurrence risk in adolescents who have recovered from a first episode of MDD. The interpretable RSF-based survival model may support individualized follow-up during recovery.
[关键词] 皮层-纹状体-小脑环路;青少年;首发重度抑郁障碍;磁共振波谱;随机生存森林;生存分析;可解释机器学习
[Keywords] cortical-striatal-cerebellar circuit;adolescents;first-episode major depressive disorder;magnetic resonance spectroscopy;random survival forest;survival analysis;interpretable machine learning

王金鑫 1   王冉超 2   葛继元 1   李月峰 2   曹志宏 1   罗一烽 1   刘瑜 1*  

1 江苏大学附属宜兴医院影像科,宜兴 214200

2 江苏大学附属人民医院影像科,镇江 212002

通信作者:刘瑜,E-mail: liuyum0526@163.com

作者贡献声明:刘瑜设计本研究的方案,对稿件重要内容进行了修改;王金鑫起草和撰写稿件,获取、分析、解释本研究的数据;王冉超、葛继元、李月峰、曹志宏、罗一烽获取、分析或解释本研究的数据,对稿件重要内容进行了修改;曹志宏获江苏省卫生健康委重大项目资助;罗一烽获江苏省重点研发计划项目、无锡市中青年拔尖人才计划项目资助。全体作者均审阅并同意发表最终修改稿,同意对本研究的所有方面负责,并确保研究的准确性和诚信。


基金项目: 江苏省重点研发计划项目 BE2022705 江苏省卫生健康委重大项目 ZD2022002 无锡市中青年拔尖人才计划项目 BJ2023103
收稿日期:2026-06-05
接受日期:2026-10-15
中图分类号:R445.2  R749.4 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.005
本文引用格式 王金鑫, 王冉超, 葛继元, 等. 基于皮层-纹状体-小脑环路结构与代谢特征的可解释机器学习模型预测青少年首发重度抑郁障碍恢复后复发风险[J]. 磁共振成像, 2026, 17(11): 38-46. DOI:10.12015/issn.1674-8034.2026.11.005.

0 引言

       重度抑郁障碍(major depressive disorder, MDD)是青少年常见且疾病负担较重的精神障碍之一[1, 2]。对于青少年患者而言,MDD所造成的疾病负担不仅来源于急性发作期症状本身,还与恢复后的复发、再发及慢性化过程密切相关[3, 4]。结构磁共振成像(structural magnetic resonance imaging, sMRI)可反映脑区体积及结构完整性[5],磁共振波谱(magnetic resonance spectroscopy, MRS)成像可在体、无创评估脑内代谢物水平[6, 7]。两者联合有助于从脑结构和神经化学两个层面刻画MDD复发的潜在易感性[8, 9, 10]。既往研究提示,皮层-纹状体-小脑(cortical-striatal-cerebellar, CSC)环路相关脑区,共同参与情绪调节、奖赏加工、认知控制和行为反应,其结构或代谢异常可能构成MDD复发的重要神经基础[11, 12, 13]。然而,目前MDD复发风险评估仍主要依赖人口学特征和临床因素,缺乏基于脑结构与代谢信息的客观早期预测工具[14, 15, 16]。基于此,本研究整合CSC环路相关结构体积和MRS代谢特征,构建并比较多种生存预测模型,用于预测青少年首发MDD患者恢复后24个月内的复发风险;同时采用沙普利加性解释(Shapley Additive exPlanations, SHAP)方法解释模型输出及关键特征贡献,以期为恢复期青少年MDD患者的个体化复发风险分层提供客观影像学依据。

1 材料与方法

1.1 研究对象

       本研究采用前瞻性队列研究设计,按就诊顺序连续纳入2021年8月至2024年1月期间于江苏大学附属宜兴医院精神科接受治疗并达到恢复状态的青少年首发MDD患者200例。采用Schoenfeld公式D=Z1-α/2+Z1-β2/P1-PlnHR2估算样本量[17],设双侧α=0.05、检验效能80%、预期风险比(hazard ratio, HR)=2.0、P=0.5,预期24个月复发率约40%[18],计算需66个复发事件,对应最低有效样本量165例。纳入标准:(1)年龄12~18岁;(2)符合《精神障碍诊断与统计手册》第四版(Diagnostic and Statistical Manual of Mental Disorders, Fourth Edition, DSM-Ⅳ)MDD诊断标准,并经《学龄儿童情感障碍与精神分裂症量表——现状与终生版》(Schedule for Affective Disorders and Schizophrenia for School-Age Children-Present and Lifetime Version, K-SADS-PL)确认,且为首次发作,本研究所用K-SADS-PL版本依据DSM-Ⅳ编制,故采用DSM-Ⅳ标准以保持一致性;(3)经急性期治疗后达到临床缓解,且缓解持续至少8周;(4)汉族、右利手。排除标准:(1)既往有双相情感障碍、精神分裂症谱系障碍、物质滥用等诊断;(2)合并严重神经系统疾病或重大躯体疾病;(3)临床资料或影像学资料不完整;(4)存在MRI检查禁忌。随访及质控过程中,18例因MRI图像质控不合格被排除,最终纳入182例患者。本研究遵守《赫尔辛基宣言》,经江苏大学附属宜兴医院伦理委员会批准,批准文号:伦审2021技031,全体受试者均签署了知情同意书。所有数据在分析前均进行匿名化处理。

1.2 临床资料收集与随访

       在患者达到恢复状态并进入随访期时,收集人口学及临床资料,包括年龄、性别、是否在学、受教育年限、父母婚姻状况、家族精神障碍史、自伤/自杀意念史、共病焦虑症状、首次发作年龄、首次发作持续时间及恢复时儿童抑郁评定量表修订版(Children's Depression Rating Scale-Revised, CDRS-R)评分。同时记录患者MRS扫描时的抗抑郁药物种类、日剂量及用药时长,不同药物剂量按照统一标准换算为氟西汀等效日剂量。临床缓解定义为CDRS-R评分≤28[19],恢复定义为缓解持续至少8周[20]。所有患者自达到恢复状态起进入前瞻性随访,并分别于6、12、18和24个月进行临床评估。复发定义为恢复后出现新的重度抑郁发作,即经K-SADS-PL评估,抑郁症状持续至少2周并再次满足DSM-Ⅳ重度抑郁障碍诊断标准,包括至少5项达到诊断阈值的抑郁症状[20]。根据访谈记录,将首次重新满足诊断标准的时间作为复发时间;未发生复发者记录末次有效随访时间。

1.3 MRI数据采集

       所有受试者均采用Siemens 3.0 T Trio MRI扫描仪完成检查。扫描前进行头动控制宣教,扫描中通过对讲系统保持沟通,发现明显体动时及时提醒,必要时重新采集。扫描时受试者取仰卧位,使用头部专用线圈采集图像,并通过耳塞及泡沫垫减少噪声和头动。采用磁化准备快速梯度回波序列(magnetization-prepared rapid gradient-echo, MPRAGE)获取三维T1加权结构像。扫描参数如下:TR 2250 ms,TE 4.92 ms,翻转角7°,层厚1 mm,FOV 256 mm×256 mm,矩阵256×256。同时采集常规T2加权图像(T2-weighted imaging, T2WI),用于排除明显器质性脑病变及MRS解剖定位。

       在常规MRI检查确认无明显器质性病变后,以轴位T2WI图像作为解剖定位参考进行MRS采集。MRS采用二维多体素点分辨波谱序列(point-resolved spectroscopy, PRESS)定位的二维多体素质子磁共振波谱成像(2D PRESS-MRSI,即2D CSI),扫描参数为TR 2000 ms,TE 35 ms,NEX 2,MRSI编码FOV 160 mm×160 mm,相位编码矩阵16×16,层厚10 mm,对应单个波谱体素大小为10 mm×10 mm×10 mm。根据目标脑区所在的不同解剖层面设置3个MRSI采集感兴趣体积(volume of interest, VOI),其范围分别约覆盖10×4、10×6和10×3个波谱体素,并从各VOI的多体素网格中选取相应目标体素进行分析。MRS采集覆盖双侧CSC环路相关脑区,包括前额白质(prefrontal white matter, PWM)、前扣带皮层(anterior cingulate cortex, ACC)、基底节(basal ganglia, BG)、丘脑(thalamus, Tha)及小脑(cerebellum, CB)[6, 11]。波谱总采集时间约为16 min。所有采集VOI的放置由两名均具有5年神经影像诊断经验的放射科主治医师在解剖图像上共同完成,存在分歧时经讨论达成一致。定位时随访尚未开始,二者均不知晓受试者后续复发结局,代表性定位见图1。为降低头皮脂质信号污染,在VOI周围设置饱和带。扫描前由系统自动完成匀场、水抑制及频率调谐,并同步采集未抑水信号作为代谢物绝对定量内参。

1.4 影像数据处理与特征提取

       结构像预处理及脑区体积分析采用FSL 5.0.9(https://fsl.fmrib.ox.ac.uk/fsl/)软件包完成。T1WI图像经格式转换、方向校正、颅骨去除后,采用FLIRT和FNIRT配准至MNI152标准空间,并通过SIENAX估计颅内容积(intracranial volume, ICV)。BG及Tha采用FSL-FIRST分割;ACC基于Harvard-Oxford cortical atlas提取;小脑区域基于Cerebellum atlas提取;PWM区域通过FSL-FAST获得个体白质分割图,并结合Harvard-Oxford前额叶感兴趣区(region of interest, ROI)模板生成PWM掩膜。所有ROI均配准至个体空间后计算体积,并经ICV校正得到标准化体积(standardized volume, sV),用于后续分析,见图1。

       MRS数据采用jMRUI 5.2(http://www.jmrui.eu/)进行预处理和代谢物定量。纳入分析的谱线需同时满足以下质控标准:信噪比(signal-to-noise ratio, SNR)≥15,半高全宽(full width at half maximum, FWHM)≤16 Hz,Cramér-Rao下界(Cramér-Rao lower bound, CRLB)<20%,不满足任一标准的数据予以剔除[21]。分析代谢物包括N-乙酰天冬氨酸(N-acetylaspartate, NAA)、肌酸(creatine, Cr)、胆碱类化合物(choline-containing compounds, Cho)、肌醇(myo-inositol, mI)及谷氨酸和谷氨酰胺复合物(glutamate+glutamine, Glx)。以内源性水信号作为内参进行绝对定量,并结合脑脊液、灰质和白质比例进行部分容积效应校正,最终代谢物浓度以mmol/L表示,见图1。

图1  影像数据采集与处理流程。1A:三维T1WI 结构像采集;1B:空间配准及颅内容积估计;1C:脑区分割与ROI提取;1D:脑区体积计算及标准化;1E:轴位T2WI 解剖定位及MRSI 采集VOI与目标体素选择;1F:波谱预处理与拟合;1G:波谱质量控制;1H:代谢物定量。1E 中白色框表示PRESS 定位的MRSI 采集VOI,彩色小框表示从相应多体素网格中选取的目标分析体素。脑区分割图中不同颜色仅用于区分不同脑区。ICV:颅内容积;ROI:感兴趣区;SIENAX:标准化脑萎缩横断面结构图像评估工具;sV:标准化脑区体积;MRSI:磁共振波谱成像;VOI:感兴趣体积;PRESS:点分辨波谱序列;SNR:信噪比;FWHM:半高全宽;CRLB:Cramér-Rao 下界;NAA:N-乙酰天冬氨酸;Cr:肌酸;Cho:胆碱;mI:肌醇;Glx:谷氨酸-谷氨酰胺复合物。
Fig. 1  Workflow for imaging data acquisition and processing. 1A: Acquisition of three-dimensional T1-weighted structural images; 1B: spatial registration and intracranial volume estimation; 1C: brain-region segmentation and ROI extraction; 1D: regional volume calculation and normalization; 1E: anatomical localization on axial T2-weighted images and selection of MRSI acquisition VOIs and target voxels; 1F: spectral preprocessing and fitting; 1G: spectral quality control; 1H: metabolite quantification. In 1E, the white boxes indicate the PRESS-localized MRSI acquisition VOIs, whereas the colored small boxes indicate the target voxels selected from the corresponding multivoxel grids for analysis. Different colors in the brain parcellation images are used only to distinguish different brain regions. ROI: region of interest; SIENAX: standardized brain atrophy cross-sectional structural image assessment tool; sV: standardized voxel volume; MRSI: magnetic resonance spectroscopic imaging; VOI: volume of interest; PRESS: point-resolved spectroscopy sequence; SNR: signal-to-noise ratio; FWHM: full width at half maximum; CRLB: Cramér-Rao lower bound; NAA: N-acetylaspartate; Cr: creatine; Cho: choline; Glx: glutamate-glutamine complex; mI: myo-inositol.

1.5 特征筛选与模型构建

       基于双侧PWM、ACC、BG、Tha及CB共10个ROI,本研究分别提取各ROI的标准化体积(sV)特征及NAA、Cr、Cho、mI、Glx代谢物浓度特征,共获得60项CSC环路影像特征,作为初始候选特征。影像特征由两名对随访结局设盲的评估者独立测量,并采用组内相关系数(intra-class correlation coefficient, ICC)评价评估者间一致性,预设ICC>0.75作为进入后续分析的标准。根据复发事件发生情况进行分层随机抽样,将最终纳入分析的182例受试者按7∶3比例划分为训练集(n=127)和测试集(n=55)。除预设的ICC一致性筛选外,所有与结局相关的特征筛选、参数调优及模型训练均在训练集中完成,测试集仅用于最终模型性能评估,以减少数据泄露风险。

       在训练集中,对进入筛选流程的连续型影像特征进行Z-score标准化;标准化参数仅由训练集计算,并应用于测试集。随后,在训练集中采用单因素Cox回归分析评估各影像特征与复发时间及复发风险之间的关系,并将P<0.05的特征作为候选特征纳入后续分析。同时,对影像特征单因素 Cox 回归所得P值采用Benjamini-Hochberg法进行错误发现率(false discovery rate, FDR)校正,以q<0.05为校正后具有统计学意义。进一步采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)-Cox回归进行特征降维,并通过10折交叉验证确定最优惩罚参数λ,最终保留非零系数特征用于模型构建。基于筛选得到的关键影像特征,分别构建Cox比例风险模型、Cox比例风险提升模型(CoxBoost)和随机生存森林模型(random survival forest, RSF)[22]。传统Cox模型采用强制进入法拟合,并使用Schoenfeld残差检验比例风险假设;CoxBoost和RSF模型的超参数均在训练集中通过10折交叉验证结合网格搜索进行优化。采用敏感性分析评估年龄、性别、用药及病程因素对模型结果的潜在影响。基于训练集,以年龄、性别、抗抑郁药物类别、氟西汀等效日剂量、用药时长及首次发作持续时间为协变量,对最终6项影像特征进行残差校正,将训练集所得校正参数及Z-score标准化参数应用于测试集,并按主分析流程重建最终预测模型。为评估6项影像特征相对于临床变量的增量预测价值,进一步构建并比较临床模型与临床-影像综合模型。

1.6 统计学分析

       基线人口学及临床资料采用SPSS软件(版本26.0)进行统计分析。连续变量以均数±标准差表示,分别在训练集和测试集中采用独立样本t检验比较复发组与未复发组差异;分类变量以例(%)表示,组间比较根据理论频数采用Pearson χ2检验或Fisher精确检验。非正态分布的连续变量以M(P25,P75)表示,组间比较采用Mann-Whitney U检验。所有检验均为双侧检验,P<0.05为差异有统计学意义。生存预测模型性能采用Python软件(版本3.11)进行评估。模型性能采用一致性指数(concordance index, C-index)、Brier评分、时间依赖性受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)和精确率-召回率曲线下面积(area under the precision-recall curve, AUPRC)评价。不同模型在同一时间点的AUC差异采用bootstrap重采样法进行比较。采用配对bootstrap法比较临床模型与临床–影像综合模型的C-index,并计算12个月净重新分类改善指数(net reclassification improvement, NRI)和综合判别改善指数(integrated discrimination improvement, IDI)。在测试集中绘制RSF模型6、12和24个月的校准曲线,计算校准截距与斜率,并采用决策曲线分析(decision curve analysis, DCA)评价不同风险阈值下的净获益。根据训练集Youden指数确定风险截断值,并固定应用于测试集,计算敏感度、特异度、阳性预测值和阴性预测值。采用SHAP方法对模型进行解释分析。通过平均绝对SHAP值条形图和SHAP蜂群图评估特征重要性及方向性影响。平均绝对SHAP值越高,表示该特征对模型输出的总体贡献越大;SHAP值为正表示推动模型预测为较高复发风险,SHAP值为负表示降低模型预测风险。进行SHAP解释时,选取12个月作为代表性时间点,以模型输出的复发预测概率作为解释目标。

2 结果

2.1 一般资料

       本研究最终纳入182例达到恢复状态并完成随访评估的青少年首发MDD患者,其中男89例、女93例。24个月随访期间,68例患者发生复发,114例患者未记录到复发事件。根据复发事件发生情况进行分层随机抽样后,训练集127例,其中复发48例、未复发79例;测试集55例,其中复发20例、未复发35例。训练集和测试集中,复发组与未复发组在年龄、性别、是否在学、受教育年限、父母婚姻状况、家族精神障碍史、自伤/自杀意念史、共病焦虑症状、首次发作年龄、首次发作持续时间及恢复时CDRS-R评分方面差异均无统计学意义(均P>0.05),见表1。

       MRS扫描时,166例(91.2%)患者仍在使用抗抑郁药物,以选择性5-羟色胺再摄取抑制剂(selective serotonin reuptake inhibitor, SSRI)为主,主要包括舍曲林、氟西汀和艾司西酞普兰;16例(8.8%)未使用。用药患者的氟西汀等效日剂量为22.2(20.0,40.0)mg/d,用药时长为6(4,8)个月。

表1  训练集和测试集中复发组与未复发组的人口学及临床基线特征比较
Tab. 1  Comparison of demographic and clinical baseline characteristics between the recurrence and non-recurrence groups in the training and test sets

2.2 波谱质控结果及环路影像特征ICC结果

       通过预设质控标准的谱线中,SNR为21.8(19.4,24.9),FWHM为10.9(9.5,12.8)Hz。NAA、Cho、Cr、mI及Glx的CRLB中位值分别为8.1%、8.9%、10.6%、13.8%和16.5%,均满足定量分析要求;复发组与未复发组上述质控指标差异均无统计学意义(均P>0.05)。一例代表性受试者的左侧ACC目标体素的定位及其原始波谱、拟合曲线和拟合残差见图2。两名评估者对CSC环路60项影像特征的测量一致性总体良好,ICC为0.836 [95%置信区间(confidence interval, CI):0.722~0.889,P<0.001],其中52项特征ICC>0.75,并纳入后续单因素Cox回归及LASSO-Cox回归分析。

图2  1例16岁女性青少年MDD患者(扫描时处于恢复期,并于随访第24个月复发)的左侧ACC体素定位及波谱拟合结果。2A:白色大框表示MRSI采集VOI,彩色小框表示左侧ACC目标体素;2B:原始波谱与拟合曲线叠加图及拟合残差。MDD:重度抑郁障碍;ACC:前扣带皮层;MRSI:磁共振波谱成像;VOI:感兴趣体积。
Fig. 2  Left ACC voxel placement and spectral fitting results in a representative 16-year-old female patient with MDD who had achieved recovery at the time of scanning and experienced recurrence at month 24 of follow-up. 2A: The large white box indicates the MRSI acquisition VOI, and the colored box indicates the target voxel in the left ACC; 2B: Overlay of the original spectrum and fitted curve, and the corresponding fitting residual. MDD: major depressive disorder; ACC: anterior cingulate cortex; MRSI: magnetic resonance spectroscopic imaging; VOI: volume of interest.

2.3 CSC环路影像特征筛选

       在训练集52项影像特征中,21项在单因素Cox回归中达到P<0.05,其中9项经FDR校正后仍显著(q<0.05,图3)。进一步经LASSO-Cox回归及10折交叉验证筛选后,最终保留6项非零系数特征,且均通过FDR校正,包括L-ACC-Glx、L-ACC-NAA、R-ACC-mI、R-BG-sV、L-Tha-sV 和 L-Tha-Cho,见图4。用药者与未用药者的4项关键代谢物差异均无统计学意义(均P>0.05)。

图3  候选影像特征的单因素Cox回归森林图。图中圆点表示每项特征的HR,横线表示95% CI,虚线表示HR=1。HR<1表示该特征升高与较低复发风险相关,HR>1表示该特征升高与较高复发风险相关。图中*表示经Benjamini-Hochberg法校正后仍显著的特征(q<0.05)。PWM:前额白质;ACC:前扣带皮层;BG:基底节;Tha:丘脑;CB:小脑;sV:标准化脑区体积;NAA:N-乙酰天冬氨酸;Cr:肌酸;Cho:胆碱;Glx:谷氨酸-谷氨酰胺复合物;mI:肌醇;HR:风险比;CI:置信区间;SD:标准差;FDR:错误发现率。
Fig. 3  Forest plot of univariable Cox regression analyses of candidate imaging features. The dots represent the HR for each feature, the horizontal lines represent the 95% CIs, and the dashed line indicates HR = 1. An HR < 1 indicates that a higher value of the feature is associated with a lower risk of recurrence, whereas an HR > 1 indicates that a higher value of the feature is associated with a higher risk of recurrence. Asterisks indicate features that remained significant after Benjamini-Hochberg false discovery rate correction (q < 0.05). PWM: prefrontal white matter; ACC: anterior cingulate cortex; BG: basal ganglia; Tha: thalamus; CB: cerebellum; sV: standardized regional brain volume; NAA: N-acetylaspartate; Cr: creatine; Cho: choline; Glx: glutamate-glutamine complex; mI: myo-inositol; HR: hazard ratio; CI: confidence interval; SD: standard deviation; FDR: false discovery rate.
图4  影像特征筛选。4A:LASSO-Cox回归10折交叉验证曲线;4B:LASSO-Cox系数路径图;4C:最终纳入的6 项影像特征的标准化系数。LASSO:最小绝对收缩和选择算子;ACC:前扣带皮层;BG:基底节;Tha:丘脑;Glx:谷氨酸-谷氨酰胺复合物;NAA:N-乙酰天冬氨酸;mI:肌醇;Cho:胆碱;sV:标准化脑区体积。
Fig. 4  Imaging feature selection. 4A: Ten-fold cross-validation curve of LASSO-Cox regression; 4B: LASSO-Cox coefficient profiles; 4C: Standardized coefficients of the six selected imaging features. LASSO: least absolute shrinkage and selection operator; ACC: anterior cingulate cortex; BG: basal ganglia; Tha: thalamus; Glx: glutamate-glutamine complex; NAA: N-acetylaspartate; mI: myo-inositol; Cho: choline; sV: standardized regional brain volume.

2.4 不同生存预测模型性能

       以6项关键影像特征为输入变量,分别构建Cox、CoxBoost和RSF模型。测试集中,RSF模型显示较好的综合预测性能,C-index为0.768(95% CI:0.681~0.855),其余模型性能指标见表2。RSF模型在6、12和24个月的Brier评分分别为0.119、0.158和0.207,均低于Cox和CoxBoost模型。时间依赖ROC分析显示,RSF模型在6、12和24个月的AUC分别为0.790(95% CI:0.695~0.873)、0.775(95% CI:0.674~0.859)和0.742(95% CI:0.636~0.833)。三种模型在各时间点AUC比较差异均无统计学意义(均P>0.05)(图5A~5C,表2)。鉴于RSF模型在多项指标上呈现相对较好的综合表现,进一步评价其校准度与临床效用。RSF模型在6、12和24个月的校准截距分别为-0.04、0.06和-0.09,校准斜率分别为0.88、0.79和0.74(图5D~5F)。DCA显示,RSF模型在三个时点的临床相关阈值范围内均具有净获益(图5G~5I)。校正年龄、性别、用药及病程因素后,RSF模型的预测性能与主分析结果总体接近,见表2。临床模型和临床–影像综合模型的C-index分别为0.661和0.784,ΔC-index=0.123(95% CI:0.038~0.208,P=0.005),12个月NRI和IDI分别为0.394和0.089(均P<0.001),提示影像特征具有增量预测价值。

图5  不同模型的预测性能及RSF 模型的校准度与临床效用。5A~5C:Cox、CoxBoost 和RSF 模型预测6、12 和24 个月复发风险的时间依赖性ROC 曲线;5D~5F:RSF 模型在6、12 和24 个月的校准曲线;5G~5I:RSF 模型在相应时点的决策曲线。RSF:随机生存森林;ROC:受试者工作特征;AUC:曲线下面积。
Fig. 5  Predictive performance, calibration, and clinical utility of the models. 5A to 5C: Time-dependent ROC curves of the Cox, CoxBoost, and RSF models for predicting recurrence at 6, 12, and 24 months; 5D to 5F: Calibration curves of the RSF model at 6, 12, and 24 months; 5G to 5I: Decision curve analyses of the RSF model at the corresponding time points. ROC: receiver operating characteristic; AUC: area under the curve; RSF: random survival forest. RSF: random survival forest; ROC: receiver operating characteristic; AUC: area under the curve.
表2  三种生存预测模型在测试集中的预测性能与分类性能及敏感性分析
Tab. 2  Summary of the predictive and classification performance of the three survival prediction models in the test set and sensitivity analysis

2.5 模型解释分析

       在RSF模型中,平均绝对 SHAP 值条形图分析显示L-ACC-Glx和L-ACC-NAA对模型输出的平均贡献最高,平均绝对SHAP值分别为0.186和0.164;其次为L-Tha-sV(0.149)、R-ACC-mI(0.132)、R-BG-sV(0.118)和L-Tha-Cho(0.101)(图6A)。蜂群图显示,L-ACC-Glx、L-ACC-NAA、L-Tha-sV和R-BG-sV较低取值主要对应正向SHAP值,提示其降低与复发风险升高相关;R-ACC-mI和L-Tha-Cho的较高取值主要对应正向SHAP值,提示其升高与复发风险升高相关(图6B)。个体层面SHAP贡献图进一步显示,低风险个体12个月预测复发概率为0.08,高风险个体12个月预测复发概率为0.32,且模型解释与实际随访结局一致(图6C~6D)。

图6  基于SHAP 的RSF 模型解释分析。6A:平均绝对SHAP 值条形图;6B:SHAP 蜂群图;6C:12 个月随访期间未复发低风险个体的SHAP 贡献图,预测复发概率为0.08;6D:12 个月随访期间复发高风险个体的SHAP 贡献图,预测复发概率为0.32。SHAP 值为正表示推动复发风险预测值升高,SHAP 值为负表示降低复发风险预测值。SHAP:沙普利加性解释;RSF:随机生存森林;ACC:前扣带皮层;BG:基底节;Tha:丘脑;sV:标准化脑区体积;NAA:N-乙酰天冬氨酸;Cho:胆碱;Glx:谷氨酸和谷氨酰胺复合物;mI:肌醇。
Fig. 6  SHAP-based interpretability analysis of the RSF model. 6A: Bar plot of the mean absolute SHAP values; 6B: SHAP beeswarm plot; 6C: SHAP contribution plot for a low-risk individual without recurrence during the 12-month follow-up, with a predicted recurrence probability of 0.08; 6D: SHAP contribution plot for a high-risk individual with recurrence during the 12-month follow-up, with a predicted recurrence probability of 0.32. A positive SHAP value indicates an increase in the predicted recurrence risk, whereas a negative SHAP value indicates a decrease in the predicted recurrence risk. RSF: random survival forest; ACC: anterior cingulate cortex; BG: basal ganglia; Tha: thalamus; sV: standardized regional brain volume; NAA: N-acetylaspartate; Cho: choline; Glx: glutamate-glutamine complex; mI: myo-inositol.

3 讨论

       本研究基于皮层-纹状体-小脑环路相关结构与代谢特征,采用单因素Cox回归和LASSO-Cox回归筛选关键影像特征,并比较Cox、CoxBoost和RSF模型对青少年首发重度抑郁障碍患者恢复后复发风险的时间-事件预测性能,同时利用SHAP方法解释模型输出。结果显示,本研究最终筛选出6项与复发风险相关的关键影像特征,包括L-ACC-Glx、L-ACC-NAA、R-ACC-mI、R-BG-sV、L-Tha-sV和L-Tha-Cho。基于上述特征构建的RSF模型在测试集中表现出相对较好的综合预测性能。SHAP分析进一步显示,各特征对模型输出具有较高贡献,并呈现明确的方向性影响。本研究的创新之处在于从CSC环路层面联合脑结构与神经代谢信息,并在时间-事件分析框架下实现对青少年MDD恢复后复发风险的可解释评估。上述结果有望为恢复期青少年MDD患者的复发风险分层、个体化随访及针对性干预策略的制定提供客观影像学依据。

3.1 多模态影像特征及生存模型的预测价值

       本研究联合sMRI与MRS信息,从脑结构完整性和神经化学状态两个层面刻画CSC环路异常。结构体积特征可反映相关脑区的宏观形态改变,而MRS代谢指标能够进一步反映神经元完整性、谷氨酸能代谢及胶质相关改变。相比单一影像模态,多模态影像特征可能更适合表征青少年首发MDD恢复后复发所涉及的复杂神经生物学过程。建模方面,本研究比较了Cox、CoxBoost和RSF三种生存预测模型。Cox模型具有较好的可解释性,可作为线性基准模型;CoxBoost在Cox框架下引入提升策略,有助于提高变量选择和模型稳定性;RSF作为非参数集成生存模型,能够捕捉潜在的非线性关系及特征间交互作用[23, 24]。结果显示,RSF模型在测试集中C-index、时间依赖AUC及AUPRC的点估计较高,Brier评分较低。需要强调的是,三种模型在各时间点AUC比较差异均未达到统计学显著性,因此本研究不将RSF解释为显著优于其他模型。考虑到本研究样本量及测试集复发事件数有限,RSF模型的泛化能力仍需在更大样本及外部验证队列中进一步确认[25, 26]。

3.2 CSC环路关键影像特征的解释及潜在机制

       SHAP分析进一步提高了模型结果的可解释性[27, 28, 29]。结果显示,L-ACC-Glx和L-ACC-NAA是RSF模型中贡献度最高的两个特征,提示ACC谷氨酸能代谢和神经元完整性相关指标在复发风险预测中具有重要作用。方向性分析显示,L-ACC-Glx、L-ACC-NAA、L-Tha-sV和R-BG-sV降低,以及R-ACC-mI和L-Tha-Cho升高,均与较高复发风险相关。从潜在机制看,这6项核心特征共同指向一种以ACC代谢异常为核心、并伴随BG-Tha门控异常的CSC环路易损状态[30, 31]。ACC参与情绪调节、认知控制和冲突监测[32, 33],Glx降低可能反映谷氨酸-谷氨酰胺循环功能减弱[34, 35],NAA降低提示神经元完整性或代谢储备下降[36],而mI升高可能与胶质细胞活动或渗透稳态改变有关[37]。另一方面,BG和Tha是奖赏加工、动机维持、信息中继及皮层下门控的重要节点[38, 39],R-BG-sV和L-Tha-sV降低可能提示皮层下结构完整性受损[39, 40],L-Tha-Cho升高则可能与膜代谢或胶质相关改变有关[37]。因此,青少年首发MDD恢复后复发风险可能并非由单一脑区异常所决定,而是与ACC皮层控制端和BG-Tha皮层下门控端的协同失衡有关。扫描时91.2%的患者仍使用抗抑郁药物,且以SSRI为主。尽管用药分组比较及敏感性分析结果均较稳定,但未用药者较少,仍不能完全排除药物影响。

3.3 研究创新与临床转化价值

       既往青少年MDD神经影像研究多侧重患者与健康对照之间的横断面差异,相关机器学习研究也主要用于疾病诊断或状态分类[41]。本研究将CSC环路结构与代谢特征用于恢复后复发风险评估,将研究重点由疾病状态描述延伸至预后预测;同时将SHAP方法用于时间-事件模型,在综合利用复发事件和随访时间信息的基础上,分析各项影像特征对个体预测结果的相对贡献。由此,模型在评估不同随访时点复发风险的同时,也能为个体预测结果提供特征层面的解释。增量分析显示,临床–影像综合模型的C-index高于临床模型,表明6项影像特征可提供临床信息之外的增量预测价值,支持其作为客观影像学预测指标的潜力。总体可接受的校准表现及正向净获益进一步支持该模型用于复发风险分层的潜在临床价值。临床上,该模型可作为量表评估和临床判断的补充,在患者进入恢复期时提供相对客观的影像学风险信息,使复发风险识别适当前移。对于预测风险较高者,可缩短随访间隔,重点监测残留抑郁症状、自伤或自杀风险及药物依从性,并加强家庭支持和心理干预;风险较低者可按照常规方案随访。目前,该模型应定位为辅助风险分层工具,不能替代临床综合判断,也不能单独作为调整药物或治疗强度的依据。

3.4 局限性及展望

       本研究仍存在一定局限性。首先,本研究为单中心前瞻性队列研究,样本量及测试集复发事件数相对有限,尽管采用训练集内交叉验证及留出测试集评价,仍不能完全排除模型过拟合的可能;Schoenfeld方法仅用于研究设计阶段的近似样本量估算,不能完全反映多变量生存预测模型的样本量需求。由于缺乏外部独立验证,现有结果仅反映单中心队列中的内部验证性能,模型稳定性和泛化能力仍需多中心、大样本研究进一步验证。此外,单因素Cox回归采用P<0.05进行初筛,具有一定探索性,尽管补充了FDR校正,相关特征仍需在独立队列中验证。其次,本研究仅纳入CSC环路结构体积和MRS代谢特征,尚未整合功能连接、炎症指标、遗传信息、治疗依从性及社会心理因素等多维变量。此外,组织比例校正不能完全消除1 mL波谱体素的部分容积效应,所得代谢物浓度不能完全代表目标灰质脑区的纯组织代谢水平。最后,本研究仅在恢复期进行单时间点扫描,尚不能判断相关异常属于相对稳定的复发易感性标志,还是发作后的状态性残留改变。结构体积可能更多反映相对稳定的神经解剖易感性,而代谢指标可能更易受疾病状态和治疗影响,未来需通过急性期、恢复期及复发前后的重复扫描加以验证。

4 结论

       综上,本研究表明,基于CSC环路结构与代谢特征的生存预测模型可用于评估青少年首发MDD恢复后的复发风险。RSF模型在测试集中呈现相对较好的综合预测性能,SHAP分析进一步提示ACC代谢脆弱性及BG-Tha门控异常可能是复发风险升高的重要影像学基础。上述结果为恢复期青少年MDD患者的复发风险分层和个体化随访管理提供了潜在客观依据。

[1]
GBD 2019 MENTAL DISORDERS COLLABORATORS. Global, regional, and national burden of 12 mental disorders in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019[J]. Lancet Psychiatry, 2022, 9(2): 137-150. DOI: 10.1016/S2215-0366(21)00395-3.
[2]
LU B Q, LIN L X, SU X J. Global burden of depression or depressive symptoms in children and adolescents: a systematic review and meta-analysis[J/OL]. J Affect Disord, 2024, 354: 553-562 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/38490591/. DOI: 10.1016/j.jad.2024.03.074.
[3]
DESAI BOSTRÖM A E, CARS T, HELLNER C, et al. Recovery and recurrence from major depression in adolescence and adulthood[J]. Acta Psychiatr Scand, 2025, 151(5): 625-633. DOI: 10.1111/acps.13785.
[4]
TAGLIAFERRI S D, HAN L K M, KHETAN M, et al. Systematic review and meta-analysis: predictors of relapsing, recurrent, and chronic depression in young people[J]. J Am Acad Child Adolesc Psychiatry, 2026, 65(2): 206-230. DOI: 10.1016/j.jaac.2025.03.019.
[5]
王小琦, 杨克硕, 王梅云, 等. 磁共振成像技术在重度抑郁症疗效评估中的研究进展[J]. 中国CT和MRI杂志, 2025, 23(5): 191-194. DOI: 10.3969/j.issn.1672-5131.2025.05.056.
WANG X Q, YANG K S, WANG M Y, et al. Research progress of magnetic resonance imaging in evaluating the efficacy of major depressive disorder[J]. Chin J CT MRI, 2025, 23(5): 191-194. DOI: 10.3969/j.issn.1672-5131.2025.05.056.
[6]
SONG X D, YAN S Y, LAI S K, et al. Gender differences of neurometabolic and neuroendocrine alternations and its lateralization in adolescents with major depressive disorder[J/OL]. BMC Psychiatry, 2024, 24(1): 949 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/39731037/. DOI: 10.1186/s12888-024-06428-1.
[7]
MORIGUCHI S, TAKAMIYA A, NODA Y, et al. Glutamatergic neurometabolite levels in major depressive disorder: a systematic review and meta-analysis of proton magnetic resonance spectroscopy studies[J]. Mol Psychiatry, 2019, 24(7): 952-964. DOI: 10.1038/s41380-018-0252-9.
[8]
GRAY J P, MÜLLER V I, EICKHOFF S B, et al. Multimodal abnormalities of brain structure and function in major depressive disorder: a meta-analysis of neuroimaging studies[J]. Am J Psychiatry, 2020, 177(5): 422-434. DOI: 10.1176/appi.ajp.2019.19050560.
[9]
WU B L, ZHANG X, XIE H S, et al. Research Review: Shared and distinct structural and functional brain alterations in adolescents with major depressive disorder–a multimodal meta-analysis[J]. J Child Psychol Psychiatry, 2025, 66(7): 1084-1097. DOI: 10.1111/jcpp.14104.
[10]
WANG Y H, WEI J X, YAN Y S, et al. Disruption of multimodal brain networks and structural-functional coupling in adolescents with major depressive disorder[J/OL]. Neuropsychiatr Dis Treat, 2025, 21: 791-798 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/40230783/. DOI: 10.2147/NDT.S515540.
[11]
LAI S K, ZHONG S M, SHAN Y Y, et al. Altered biochemical metabolism and its lateralization in the cortico-striato-cerebellar circuit of unmedicated bipolar II depression[J/OL]. J Affect Disord, 2019, 259: 82-90 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/31442883/. DOI: 10.1016/j.jad.2019.07.021.
[12]
HOU X M, LIU R, ZHOU Y, et al. Shared and unique alterations of large-scale network connectivity in drug-free adolescent-onset and adult-onset major depressive disorder[J/OL]. Transl Psychiatry, 2024, 14(1): 255 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/38866779/. DOI: 10.1038/s41398-024-02974-0.
[13]
吴蓉, 凌奥南, 张高峰. 儿童、青少年抑郁症的静息态功能磁共振成像研究进展[J]. 磁共振成像, 2024, 15(6): 149-152, 195. DOI: 10.12015/issn.1674-8034.2024.06.023.
WU R, LING A N, ZHANG G F. Advances in resting-state fMRI studies of depression in children and adolescents[J]. Chin J Magn Reson Imaging, 2024, 15(6): 149-152, 195. DOI: 10.12015/issn.1674-8034.2024.06.023.
[14]
MORIARTY A S, MEADER N, SNELL K I E, et al. Predicting relapse or recurrence of depression: systematic review of prognostic models[J]. Br J Psychiatry, 2022, 221(2): 448-458. DOI: 10.1192/bjp.2021.218.
[15]
KENNIS M, GERRITSEN L, VAN DALEN M, et al. Prospective biomarkers of major depressive disorder: a systematic review and meta-analysis[J]. Mol Psychiatry, 2020, 25(2): 321-338. DOI: 10.1038/s41380-019-0585-z.
[16]
LAM R W, RNIC K, NUNEZ J J, et al. Predicting Relapse of Depressive Episodes During Maintenance Treatment: The Canadian Biomarker Integration Network in Depression (CAN-BIND) Wellness Monitoring in Major Depressive Disorder Study: Prédire la rechute d'épisodes dépressifs pendant le traitement d'entretien: Une étude de suivi du Bien-être dans les troubles dépressifs majeurs du Réseau canadien d'intégration des biomarqueurs pour la dépression (CAN-BIND)[J]. Can J Psychiatry, 2025, 70(7): 565-573. DOI: 10.1177/07067437251337603.
[17]
SCHOENFELD D A. Sample-size formula for the proportional-hazards regression model[J]. Biometrics, 1983, 39(2): 499-503.
[18]
RAO U, CHEN L A. Characteristics, correlates, and outcomes of childhood and adolescent depressive disorders[J]. Dialogues Clin Neurosci, 2009, 11(1): 45-62. DOI: 10.31887/DCNS.2009.11.1/urao.
[19]
KENNARD B, SILVA S, VITIELLO B, et al. Remission and residual symptoms after short-term treatment in the Treatment of Adolescents with Depression Study (TADS)[J]. J Am Acad Child Adolesc Psychiatry, 2006, 45(12): 1404-1411. DOI: 10.1097/01.chi.0000242228.75516.21.
[20]
CURRY J, SILVA S, ROHDE P, et al. Recovery and recurrence following treatment for adolescent major depression[J]. Arch Gen Psychiatry, 2011, 68(3): 263-269. DOI: 10.1001/archgenpsychiatry.2010.150.
[21]
LIN A, ANDRONESI O, BOGNER W, et al. Minimum Reporting Standards for in vivo Magnetic Resonance Spectroscopy (MRSinMRS): Experts' consensus recommendations[J/OL]. NMR Biomed, 2021, 34(5): e4484 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/33559967/. DOI: 10.1002/nbm.4484.
[22]
FAN H, YANG Z X, YU X Y, et al. Interpretable machine learning model to predict aggressive behavior in first-episode schizophrenia[J/OL]. J Psychiatr Res, 2025, 191: 349-355 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/41045766/. DOI: 10.1016/j.jpsychires.2025.09.065.
[23]
BINDER H, SCHUMACHER M. Allowing for mandatory covariates in boosting estimation of sparse high-dimensional survival models[J/OL]. BMC Bioinform, 2008, 9(1): 14 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/18186927/. DOI: 10.1186/1471-2105-9-14.
[24]
ISHWARAN H, KOGALUR U B, BLACKSTONE E H, et al. Random survival forests[J]. Ann Appl Stat, 2008, 2(3): 841-860. DOI: 10.1214/08-aoas169.
[25]
CHEN Y J, ZHAO W, YI S J, et al. The diagnostic performance of machine learning based on resting-state functional magnetic resonance imaging data for major depressive disorders: a systematic review and meta-analysis[J/OL]. Front Neurosci, 2023, 17: 1174080 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/37811326/. DOI: 10.3389/fnins.2023.1174080.
[26]
BELOV V, ERWIN-GRABNER T, AGHAJANI M, et al. Multi-site benchmark classification of major depressive disorder using machine learning on cortical and subcortical measures[J/OL]. Sci Rep, 2024, 14(1): 1084 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/38212349/. DOI: 10.1038/s41598-023-47934-8.
[27]
LUNDBERG S M, ERION G, CHEN H, et al. From local explanations to global understanding with explainable AI for trees[J]. Nat Mach Intell, 2020, 2(1): 56-67. DOI: 10.1038/s42256-019-0138-9.
[28]
王冉超, 王金鑫, 李洋, 等. 基于海马形态及代谢参数预测无卒中心房颤动患者轻度认知障碍的价值[J]. 中华放射学杂志, 2026, 60(4): 404-412. DOI: 10.3760/cma.j.cn112149-20250410-00184.
WANG R C, WANG J X, LI Y, et al. Value of hippocampal morphological and metabolic parameters in predicting patients with non-stroke atrial fibrillation with mild cognitive impairment[J]. Chin J Radiol, 2026, 60(4): 404-412. DOI: 10.3760/cma.j.cn112149-20250410-00184.
[29]
BHATTARAI P, THAKURI D S, NIE Y Z, et al. Explainable AI-based Deep-SHAP for mapping the multivariate relationships between regional neuroimaging biomarkers and cognition[J/OL]. Eur J Radiol, 2024, 174: 111403 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/38452732/. DOI: 10.1016/j.ejrad.2024.111403.
[30]
WU B L, ZHANG X, XIE H S, et al. Disrupted structural brain networks and structural-functional decoupling in first-episode drug-Naïve adolescent major depressive disorder[J]. J Adolesc Health, 2024, 74(5): 941-949. DOI: 10.1016/j.jadohealth.2024.01.015.
[31]
DING H, ZHANG Q, SHU Y P, et al. Vulnerable brain regions in adolescent major depressive disorder: a resting-state functional magnetic resonance imaging activation likelihood estimation meta-analysis[J]. World J Psychiatry, 2024, 14(3): 456-466. DOI: 10.5498/wjp.v14.i3.456.
[32]
KIM H, PARK J, KUHN M, et al. Neuroticism modulates functional connectivity of the midcingulate cortex during emotional conflict[J/OL]. Sci Rep, 2025, 15: 13095 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/40240799/. DOI: 10.1038/s41598-025-97529-8.
[33]
CIPOLOTTI L, MOLE J, RUFFLE J K, et al. Cognitive control & the anterior cingulate cortex: Necessity & coherence[J/OL]. Cortex, 2025, 182: 87-99 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/39645441/. DOI: 10.1016/j.cortex.2024.11.010.
[34]
TAO S W, DENG R H, WEI M H, et al. A meta-analysis of magnetic resonance spectroscopy studies on glutamatergic neurometabolite levels in major depressive disorder[J/OL]. Depress Anxiety, 2025, 2025: 5180077 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/40778365/. DOI: 10.1155/da/5180077.
[35]
MA L Y, et al. γ-Aminobutyric acid and glutamate dysregulation in the dorsolateral prefrontal cortex of adolescents with first-episode major depressive disorder and the modulatory effects of repetitive transcranial magnetic stimulation[J/OL]. Psychoradiology, 2026, 6: kkaf034 [2026-06-04]. https://academic.oup.com/psyrad/article/doi/10.1093/psyrad/kkaf034/8329172. DOI: 10.1093/psyrad/kkaf034.
[36]
SACCARO L F, TASSONE M, TOZZI F, et al. Proton magnetic resonance spectroscopy of N-acetyl aspartate in first depressive episode and chronic major depressive disorder: a systematic review and meta-analysis[J/OL]. J Affect Disord, 2024, 355: 265-282 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/38554884/. DOI: 10.1016/j.jad.2024.03.150.
[37]
ÖZ G, ALGER J R, BARKER P B, et al. Clinical proton MR spectroscopy in central nervous system disorders[J]. Radiology, 2014, 270(3): 658-679. DOI: 10.1148/radiol.13130531.
[38]
ZHAO X H, WU S Y, LI X, et al. Common neural deficits across reward functions in major depression: a meta-analysis of fMRI studies[J]. Psychol Med, 2024, 54(11): 2794-2806. DOI: 10.1017/S0033291724001235.
[39]
HAGEN J, RAMKIRAN S, SCHNELLBÄCHER G J, et al. Phenomena of hypo- and hyperconnectivity in basal ganglia-thalamo-cortical circuits linked to major depression: a 7T fMRI study[J]. Mol Psychiatry, 2025, 30(1): 158-167. DOI: 10.1038/s41380-024-02669-4.
[40]
赵璇, 殷琦瑞, 赵维, 等. 重度抑郁障碍患者伏隔核的异常功能连接及结构-功能耦合[J]. 中南大学学报(医学版), 2025(9): 1579-1589. DOI: 10.11817/j.issn.1672-7347.2025.250392.
ZHAO X, YIN Q R, ZHAO W, et al. Abnormal functional connectivity and structurefunction coupling of the nucleus accumbens in patients with major depressive disorder[J]. J Cent South Univ Med Sci, 2025(9): 1579-1589. DOI: 10.11817/j.issn.1672-7347.2025.250392.
[41]
MILLER C H, HAMILTON J P, SACCHET M D, et al. Meta-analysis of functional neuroimaging of major depressive disorder in youth[J/OL]. JAMA Psychiatry, 2015, 72(10): 1045 [2026-06-04]. https://pubmed.ncbi.nlm.nih.gov/26332700/. DOI: 10.1001/jamapsychiatry.2015.1376.

上一篇 基于个体化极端功能连接的孤独症亚型研究
下一篇 基于静息态功能磁共振成像研究血管性认知功能障碍患者皮层低频振幅异常与认知损害的关系
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2