融合机器学习技术的阈下抑郁神经生理机制及干预.pdfVIP

心理科学进展2025,Vol.33,No.6,887–904/10.3724/SP.J.1042.2025.0887

AdvancesinPsychologicalScience/32111.14.2025.0887

·第二十七届中国科协年会学术论文·

融合机器学习技术的阈下抑郁神经生理机制及干预*

1,†1,†112

刘永进杨雪杜欣欣嵇文麒臧寅垠

3425

官锐园宋森钱铭怡牟文婷

(1清华大学计算机科学与技术系,北京100084)(2北京大学心理与认知科学学院,北京100871)

(3北京大学医学人文学院医学心理学系,北京100191)

(4清华大学脑与智能实验室;5清华大学心理与认知科学系,北京100084)

摘要抑郁症是阻碍国民心理健康的重要因素。阈下抑郁是抑郁发病前期重要阶段,探究其神经生理机制

及动态发展规律有助于预测抑郁发病和进行预防性干预。为突破既往将抑郁视为静态单一诊断结果的局限,

本文基于复杂动力系统理论,通过多时程多模态机器学习方法,探讨阈下抑郁症状与神经生理特征之间的密

切关联及关键预测因子。其次,通过纵向追踪及神经动力学网络模型探查吸引子状态及其对随后抑郁发病和

特征转化的预测。最后,探索认知行为疗法对阈下抑郁的预防性干预效果以及吸引子状态的预测作用。研究

结果用以解析阈下抑郁的神经生物学独特性,并为抑郁症早期识别和精准预防的方法研发提供新的思路。

关键词阈下抑郁,吸引子状态,认知行为疗法,预防性干预,多模态机器学习

分类号R395

1研究意义(Nelsonetal.,2017)。不同于传统概念上将抑郁视

为一系列症状的基础,越来越多的研究者认为抑

抑郁症(MajorDepressiveDisorder,MDD,也

郁症是复杂的特征网络,随着时间的推移而动态

称重性抑郁障碍)是一种高发的精神疾病,终生患

展开和演变,并在现象学上表现为纵向连续

病率在17%至40%,影响了全世界2.8亿人口,与

(Hofmannetal.,2016;Nelsonetal.,2017)。相应地,

自杀风险和死亡率的增加有关,是全球公共卫生

在精神病理学的研究方法上,抑郁症被概念化为

负担的主要原因之一(Kessleretal.,2009;GBD

相互作用的症状的复杂动力系统,并提出个体从

2019MentalDisordersCollaborators,2022)。核心完全健康发展到抑郁症通常会经历一段亚阈值状

临床特征是持续的低落情绪、兴趣或快乐消失,

态或临床高风险阶段,即阈下抑郁(Subthreshold

并伴随着不良结果、角色功能障碍、高复发率及