抑郁症fMRI数据分析方法及辅助诊断治疗模型研究

随着生活节奏加快，竞争压力增大，越来越多人罹患抑郁症，对社会危害极大。目前的诊断缺乏定量生理指标，大多依赖患者、家属的描述和临床医生的问讯，这种主观性较高的方式识别率低，延误了最佳治疗时间。而且治疗手段主要借助于心理疏导，长时间的艰难交流往往令疏导者感到单调乏味最终失去耐心，患者得不到理想的治疗效果。本项目拟利用fMRI脑成像及先进的数据分析和认知建模技术，多角度分析抑郁症患者的核磁影像数据（包括：抑郁症患者的脑解剖结构数据、静息态下的功能数据、情绪认知功能数据）；利用复杂网络理论、模式识别、分类、聚类等数据挖掘方法，进行数据驱动级的数据挖掘。力求建立合理的抑郁症fMRI数据分析架构及符合实际的脑功能网络，挖掘客观、有效的核磁影像学指标；同时通过分析患者的情感认知过程，进而构建抑郁症影像学辅助诊断和治疗模型，更好地辅助抑郁症临床诊断和心理治疗。项目的研究有重大的理论意义和应用价值。

人脑是现实世界中最为复杂的网络系统之一。近年来，将复杂网络理论应用在神经认知科学中，利用复杂网络基本原理等方法进行属性分析，以期发现网络基本属性及节点间潜在的拓扑关系，为人脑的研究提供了一个新的方向。.本研究基于复杂网络理论，探讨静息态功能脑网络构建、分析及比较方法；利用功能脑网络进行网络指标组间比较，多角度进行组间差异分析；利用抑郁症作为疾病模型验证上述方法的临床可用性，寻找在脑疾病状态及基因影响下的变化规律，突破脑影像技术在精神疾病临床诊断应用所面临的瓶颈问题；针对网络表征，利用机器学习算法，建立抑郁症辅助模型，以辅助临床诊断应用。.研究主要创新工作包括有：.（1）提出抑郁症静息态功能脑网络指标差异分析方法，并构建分类模型.研究分别对抑郁症患者及健康人群的静息态功能脑网络拓扑属性从多个角度进行刻画及比较分析，寻找组间差异，揭示抑郁症在网络层面的指标变化规律。利用多种机器学习方法，将所发现的差异指标作为分类特征，进行分类模型构建及性能评价。.（2）利用复杂网络模块划分方法进行静息态功能脑模块划分，并提出抑郁症模块结构差异分析技术.研究利用基于贪婪思想的CNM模块划分算法，完成抑郁组及对照组的静息态功能脑网络模块划分，并从模块的组成、模块角色、模块间的连接等角度，挖掘抑郁症在模块结构的差异。利用差异模块指标进行分类研究，验证方法的可靠性。.（3）提出基于基因的抑郁症脑网络拓扑属性差异分析技术.前人研究证明，基因对于脑网络的拓扑属性则存在不同程度的影响。研究利用功能脑网络方法，挖掘GSK3β基因对于抑郁症患者及正常对照的网络拓扑属性差异，以探讨脑网络的基因基础。.（4）不同尺度规模对脑网络拓扑属性组间差异影响分析.研究以抑郁症为疾病模型，计算图论分析研究中的基本网络拓扑属性。定量分析节点规模对于上述指标的影响，并且比较其在正常人及抑郁症患者中的相似性及差异性。为今后在进行组间指标差异分析，对于节点尺度的选择提供重要的参考依据。.（5）提出基于局部信息方法的静息态功能脑网络建模技术.研究将局部信息引入功能脑网络建模。结果表明，解剖距离和网络结构相似性的结合很好的实现了网络仿真。不同的局部信息指标仿真效果各有差异，一定程度上反映了脑网络的不同特征。.课题组共授权发明专利1项，授权计算机软件著作权1项，发表论文24篇，其中SCI检索7篇，EI检索2篇，培养研究生12名。