重度抑郁症（MDD）是一种使人衰弱的精神健康状况，特征包括持续的低情绪、对日常活动失去兴趣、食欲变化、睡眠障碍，在极端情况下还可能出现自杀念头。全球有数百万人在其生命中经历过抑郁发作，并向精神科医生寻求治疗。
目前有许多治疗抑郁症的选择，包括不同的药物和心理疗法，以及结合两者的靶向干预。尽管研究表明某些治疗方法可能比其他方法更有效，但不同的人对现有治疗方法的反应往往不同。因此，找到最适合特定个体的药物和疗法可能需要时间，有时会导致漫长的试错过程。开发有效的策略以尽早确定特定患者的最优治疗方案是非常有利的，因为这可以帮助他们更快恢复，而不必尝试对他们无效的各种药物。
最近，新加坡国立大学和其他机构的研究人员进行了一项研究，探讨使用功能性近红外光谱（fNIRS）和机器学习相结合的方法来预测MDD患者对特定治疗的反应。他们的论文发表在《转化精神病学》杂志上，指出了通过fNIRS可见的一些与抑郁症患者对治疗反应相关的生物标志物。
“抑郁症治疗反应在个体之间差异很大，”Cyrus Su Hui Ho、Jinyuan Wang及其同事在论文中写道。“识别具有预测准确性的客观生物标志物可以提高治疗效率，避免无效疗法。本研究调查了fNIRS和临床评估信息是否可以通过机器学习技术预测MDD的治疗反应。”
为了探索fNIRS和临床数据在预测抑郁症不同治疗反应方面的潜力，研究人员进行了为期六个月的纵向研究。该研究考察了70名被诊断为MDD的患者对治疗的反应，这些反应通过汉密尔顿抑郁量表（HAM-D）进行量化，这是一种用于帮助诊断抑郁症的问卷。
“fNIRS和临床信息严格使用嵌套交叉验证来预测响应者和非响应者，基于支持向量机、随机森林、XGBoost、判别分析、朴素贝叶斯和变换器等机器学习模型，”Ho、Wang及其同事写道。
研究人员使用各种先进的机器学习模型分析了fNIRS数据和临床评估中收集的信息。他们的分析发现了一个与人们如何对治疗作出反应有关的生物标志物，即背外侧前额叶皮质（dlPFC）中血红蛋白的浓度，这个脑区涉及执行功能（即认知灵活性、工作记忆和决策）。
“任务前后总血红蛋白（HbT）浓度的变化在dlPFC中显著相关于治疗反应（p < 0.005），”研究人员写道。
“使用朴素贝叶斯模型，仅基于fNIRS数据的内部交叉验证性能（bAcc = 70% [SD = 4]，AUC = 0.77 [SD = 0.04]）和外部交叉验证结果（bAcc = 73% [SD = 3]，AUC = 0.77 [SD = 0.02]）。结合fNIRS和临床数据的双模态模型在外部分层验证中的表现较差（bAcc = 68%，AUC = 0.70）。”
总体而言，这项最新研究的结果突显了机器学习作为探索与人们对不同心理健康障碍治疗反应相关因素的工具的潜力。未来，这项工作可能会激励其他研究人员使用机器学习分析临床和fNIRS数据，同时也可能有助于开发新的协议，快速识别被诊断为MDD的个体的最佳治疗干预措施。
(全文结束)
