动态大脑网络生物标志物用于抑郁症预测:全球神经成像数据库的多队列分析

科学领域:

• 计算神经科学是一种计算神经科学.
• 神经成像分析分析神经成像分析
• 精神病学生物标志物 精神病学生物标志物

背景情况:

• 大型抑郁症影响全球超过3亿人.
• 缺乏可靠的生物标志物阻碍了早期识别有风险的个体.
• 在情绪挑战期间动态大脑网络的重组可能表明抑郁症的脆弱性.

研究的目的:

• 为了确定动态大脑网络的灵活性是否预测抑郁症发病.
• 通过神经成像数据探索个性化的临床干预.
• 分析大规模的神经成像数据库,以预测抑郁症.

主要方法:

• 在7个国际神经成像数据库 (2018-2024) 中对14376名成年人的分析.
• 在情绪调节任务中进行功能性MRI和EEG.
• 图形理论方法和机器学习来量化大脑网络的灵活性和识别表型.
• 使用经过验证的临床仪器对抑郁症结果进行30个月的随访.

主要成果:

• 四个不同的大脑网络灵活性表型与跨数据库一致性被确定.
• 刚性-不灵活的表型 (18.7%的患病率) 显示,抑郁症的发病率是4.3倍.
• 网络灵活性预测了83.2%的准确性 (AUC=0.89),超过了传统模型 (AUC=0.69).
• 灵活的个体在压力下表现出心理性,与刚性个体不同.

结论:

• 动态大脑网络生物标志物为预测性,个性化精神病学提供了一个有希望的途径.
• 这些发现为早期干预提供了神经生物学基础,并为预防抑郁症提供了新的治疗点.
• 跨人口的一致性表明潜在的普遍性,支持临床翻译.