廖立方，王欧成，刘勇*

据世界卫生组织统计(2012 年)，抑郁症的年患病率约1.5%，终生患病率约3.1%。研究表明我国抑郁症的终生患病率3.3%～8.2%不等，除有高度自杀风险外，罹患本病还会增加其他躯体疾病的风险[1]，因此早期诊断非常重要，但至今仍缺乏客观的影像学依据。

有学者开展了有关抑郁症的fMRI 研究：(1)任务态fMRI上患者有多个脑区激活异常[2-4]。(2)静息态fMRI 揭示了患者脑功能连接(functional connectivity，FC)[5]、脑功能网络[6-7]及局部一致性(regional homogeneity，ReHo)[8]和低频振幅(amplitude of low-frequency，ALFF)值均有异常[9]。(3)动脉自旋标记(arterial spin labeling，ASL)研究发现患者存在脑血流流速异常的脑区[10]。(4)扩弥散张量成像(diffusion tensor imaging，DTI)研究发现患者包括右侧小脑半球在内的多个脑区各向异性(fractional anisotropy，FA)值降低[11]，默认网络与额叶-丘脑-尾状核环路神经节点间的结构连接也发生了变化[12]，这些改变或许可以解释抑郁症的发病机理及提供诊断依据。

为了进一步从fMRI 中提取相关特征，提高个体水平的诊断率，研究者将机器学习与fMRI 结合，发现边缘系统-皮层-纹状体-苍白球-丘脑回路、皮层-边缘系统以及默认网络(default mode networks，DMN)[13]在抑郁症诊断中具有重要意义，这可能改变单纯依靠症状学的评估。因此，笔者意在阐述机器学习与fMRI结合在抑郁症诊断中的最新进展。

1 机器学习与fMRI结合的价值

1.1 机器学习与任务态fMRI的结合

任务态fMRI 是指受试者在完成指定任务的同时进行扫描，能够实时反映大脑在所加外部刺激下的变化。目前结合机器学习与任务态fMRI 的研究主要有关情绪面孔刺激、语音与语义流畅度及听音乐任务[14-17]，与只采用任务态fMRI相比，该方法能进行个体水平分析，减少主观误判，但离实现临床运用还有一定的距离。……