利用增强的脑电信号驱动去相关图神经网络改善抑郁症诊断

这项研究为何与日常生活相关

抑郁不只是感到悲伤；它是一种影响大脑和身体的疾病，可能破坏工作、家庭生活和身体健康，并且常常多年反复发作。医生仍主要通过与患者交谈来诊断抑郁，这种方式有时不够精确且耗时。本研究探讨是否可以利用大脑活动模式，结合年龄、性别和受教育年限等基本个人信息，帮助计算机更准确地识别抑郁，甚至区分首次发作者与复发患者。

窥见静息状态下的大脑

研究人员使用了来自中国的大规模脑扫描数据集，包含数百名重度抑郁障碍患者和数百名健康志愿者。扫描在受试者安静休息时进行，这种方法称为静息态功能性磁共振成像（resting-state fMRI）。该方法记录了大脑不同区域随时间自然“交流”的方式。早期研究表明，抑郁会改变这些交流模式，尤其影响涉及自我反思、情绪和记忆的网络。但要将这张复杂的连接网络转化为可靠的诊断工具一直较为困难，部分原因是单项研究的数据通常有限且大脑连线结构复杂。

把脑信号变成计算机能读的网络

为了解决这些问题，团队构建了一个称为 BrainADNet 的框架。首先，他们把每个人的大脑信号记录切成重叠的时间片段，就像把一首长歌切成许多短片段。这个巧妙步骤增加了可用数据量并平衡了不同医院之间的差异。对每个片段，研究者测量脑区对之间同步上升或下降的强度，构建出可视为网络的连接图：节点代表脑区，连线代表它们的相互作用。年龄、性别和受教育年限等基本人口学信息随后被融入这些网络特征，承认抑郁对不同人群的影响并不相同。

教会智能网络识别抑郁

BrainADNet 的核心是一类专门用于处理网络结构而非平面图像的人工智能——图神经网络。该模型通过“跳跃”连接在多个深度层次上审视脑网络，然后将各层学到的信息整合，就像读者既关注全局也关注细节以理解故事。为了防止模型过度依赖一小部分模式，作者加入了一个去相关步骤，促使模型发现更多彼此不重叠的特征。在数千个脑网络快照上训练后，他们测试模型是否能区分健康志愿者与患者，并进一步区分首次且未用药发作的患者与反复发作者。

模型对抑郁大脑的发现

在一系列检测中，BrainADNet 始终优于传统机器学习方法和若干现代深度学习方法。它在区分抑郁个体与健康个体以及判别首发或复发方面更为准确。该模型在跨站点测试中也表现良好：在部分医院的数据上训练、在全新医院的数据上测试时性能依然稳健，这表明它捕捉的是抑郁的通用特征而非特定地点的特殊性。通过一种可突出哪些脑区驱动决策的技术，团队发现某些区域（如顶叶和额叶的部分区域以及称为扣带回的结构）在男女受试者中都尤其重要，但每个性别也显示出自身的热点区域。研究者进一步表明，模型学到的隐含连接模式从健康志愿者到首次发作患者再到复发患者呈系统性变化，反映了随着抑郁加深大脑通讯方式的转变。

这项工作可能如何影响未来护理

对非专业读者而言，关键点是抑郁在大脑活动中留下可检测的指纹，而像 BrainADNet 这样的智能模型正在变得更擅长解读这些信号。尽管该系统尚未成为医生在临床中可直接下单使用的工具，但研究表明将脑扫描与简单个人信息结合可以提高诊断准确性、减少误判，并揭示疾病在性别和不同病程阶段的差异。长期来看，这类方法可能支持更个性化的治疗方案，帮助在症状加重前识别高风险复发人群，并指导旨在恢复大脑网络健康交流的新疗法。

引用: Barman, J., Yusuf, M., Kumar, S. et al. Enhancing depression diagnosis with augmented brain signal driven decorrelated graph neural networks. Commun Med 6, 211 (2026). https://doi.org/10.1038/s43856-026-01395-y

关键词: 重度抑郁障碍, 功能性磁共振成像, 脑连接性, 图神经网络, 计算机辅助诊断