基于深度学习的重性抑郁与双相情感障碍差异化诊断：利用小胶质细胞作为传感器与患者来源的小型细胞外囊泡

这对情绪障碍患者为何重要

抑郁症和双相情感障碍影响着全球数亿人，但临床上仍主要依赖与患者交谈和观察行为来做出诊断。由于两种疾病中的抑郁发作在表现上常常几乎无法区分，许多双相障碍患者一开始被诊断为“只是”抑郁，有时持续多年。该研究探索了一种截然不同的思路：通过血液样本、活体脑免疫细胞和人工智能，建立一个客观检测方法，以惊人准确度将重性抑郁与双相情感障碍区分开来。

把抽血变成大脑信号

研究者将注意力集中在血液中的微小颗粒——小型细胞外囊泡上。这些微观、被脂质包裹的囊泡由体内多种细胞释放，包括脑细胞，携带反映细胞内部状态的蛋白质和遗传物质。研究团队并未直接试图解读这些复杂的货舱，而是把囊泡当作信息，让另一类细胞去“解读”它们：小胶质细胞，脑内的常驻免疫细胞。在实验室中，来自大鼠的小胶质细胞被培养在培养皿中，并暴露于从三组人群血浆中纯化得到的囊泡：重性抑郁患者、双相障碍患者和健康志愿者。

将细胞用作活体传感器

已知小胶质细胞在感知炎症或其他脑内异常时会改变形态和内部结构。在用患者来源的囊泡处理24小时后，研究人员对小胶质细胞进行固定并用荧光标记染色，使细胞核、细胞体和内部骨架在显微镜下以不同颜色发光。每张图像包含许多细胞，之后自动检测并切割成成千上万个小的单细胞图片。研究设想是，不同患者组的囊泡会将小胶质细胞推向微妙不同的形态，而这些模式对肉眼不可见，却可以通过先进的图像分析被捕捉到。

教人工智能识别细胞模式

单独查看一枚细胞被证明噪声太大：当深度学习模型尝试对单个细胞分类时，准确率一直低于60%。关键进展来自改变图像的组织方式。研究者不是把细胞一张一张地输入，而是把来自同一人的许多单细胞图像排列成整齐的方格——5×5的阵列效果最好。这些阵列像是每个人小胶质反应的复合肖像。一个强大的图像识别网络，先在日常照片上训练，然后在这些细胞阵列上微调，学会将每个方格分为三类：抑郁、双相情感障碍或健康对照。

从细胞阵列到可能的诊断

对于每位参与者，团队通过打乱细胞位置并略微旋转或翻转它们，生成了许多不同的阵列。每个阵列由神经网络给出一个预测及其置信度分数。为了得出受试者层面的决定，研究者并未简单采用多数投票；而是将所有阵列的置信度分数相加，选择总和最高的诊断。这种“加权投票”策略利用了某些阵列比其他阵列携带更清晰信号的事实。通过这种分层方法——细胞分组为阵列，阵列合成为最终决定——系统在重复测试中正确分类了45人中的44人，对受试者层面的准确率约为99%。

这对未来精神健康护理可能意味着什么

这项工作仍处于早期概念验证阶段，基于的参与者数量有限，尚未考虑年龄、性别、药物或生活史等因素。然而，它表明情绪障碍能够在小胶质细胞对血源性信号的反应中留下可被机器检测的独特印记。将这种生物学放大的读出与深度学习配对，该研究指向一种基于血液且可在次日得到结果的检测方法，能够补充临床访谈，减少许多患者长期等待和频繁误诊的情况。如果在更大、更具多样性的群体中得到证实，这类细胞加人工智能的平台可能成为精准精神病学中的强大新工具，帮助临床医生更早且更可靠地选择合适的治疗方案。

引用: Zambrano, J., Luarte, A., Contreras, J. et al. Deep learning-based differential diagnosis of major depression and bipolar disorder using microglia-cellular sensors and patient-derived small extracellular vesicles. Sci Rep 16, 11679 (2026). https://doi.org/10.1038/s41598-026-47476-9

关键词: 双相情感障碍, 重性抑郁, 深度学习, 细胞外囊泡, 小胶质细胞