抑郁症（Depression）影响着全球约 4% 的人口。尽管目前药物选择多样，但临床上仍普遍存在“试错式治疗”：许多患者需反复尝试多种药物方能见效。近日，斯坦福大学、利哈伊大学及德克萨斯大学奥斯汀分校的联合团队在《自然-精神健康》（Nature Mental Health）发表研究，利用机器学习模型分析多模态脑成像数据，成功预测了患者对特定抗抑郁药及安慰剂的个体化反应。
临床缺口：从“单一模态”到“结构+功能”的整合
大抑郁障碍（MDD）的治疗一直受限于缺乏可靠的生物标志物。论文通讯作者、斯坦福大学助理教授 Yu Zhang 博士指出，传统的神经影像研究往往只关注单一模态（如仅看结构或仅看功能连接），这难以捕捉到大脑复杂的病理特征。该团队的研究动机在于将大脑的结构（Structure）与功能（Function）有机整合，构建出一种既能精准预测疗效、又能被临床医生理解（即具有可解释性）的生物标志物。
技术突破：机器学习精准拆解“安慰剂效应”
研究团队利用机器学习对服用舍曲林（Sertraline）、艾司西酞普兰（Escitalopram）（两者均为 SSRI 类药物）或安慰剂的 MDD 患者数据进行了深度建模。
该系统的三大核心技术亮点：
-
多模态融合（Multimodal integration）：模型并非简单地堆砌数据，而是学习那些对特定临床预测（如症状缓解程度）起决定作用的共有结构和功能信号。
-
高可解释性（Interpretability）：由于采用了强稀疏正则化（Strong sparsity regularization），模型会自动剔除冗余干扰，仅锁定极少数高关联度的神经连接。这种“线性端到端”的设计，让研究者能将预测逻辑精准映射回特定的脑回路。
-
剔除混杂因素：在抑郁症药物试验中，安慰剂效应（Placebo response）极具干扰性。该模型成功实现了药物反应与安慰剂反应的解构，确保了预测结果反映的是真实的药理作用。
未来：缩短抗抑郁治疗的“试错”周期
研究证实，该模型能准确识别出哪些患者会对 SSRI 类药物反应良好，哪些患者可能更适合其他疗法。这为临床医生提供了一个强有力的决策支持工具，有望大幅缩短患者在找到有效药物前的等待时间。
Yu Zhang 博士表示：“我们正计划将该框架推广到现实世界的临床部署中，包括如何处理成像数据缺失的情况，并结合任务态 fMRI（Task-based fMRI）来提供更深层的机制见解。”随着这项 AI 驱动的预测工具在独立人群中得到进一步验证，精神科医疗正加速迈入“个性化治疗”时代。
参考文献：Xiaoyu Tong et al, Generalizable structure–function covariation predictive of antidepressant response revealed by target-oriented multimodal fusion, Nature Mental Health (2025). DOI: 10.1038/s44220-025-00541-0.
编辑：王洪
排版：李丽
评论 (0)