重度抑郁症（MDD）是全球最普遍的精神疾病之一，对患者健康和生活质量有着深远的影响。然而，现有的抗抑郁治疗效果差异显著，仅约三分之二的患者对初始治疗产生反应。因此，寻找能够预测治疗效果的客观生物标志物对于优化治疗选择和提升疗效具有重要意义。本研究的目的是评估功能近红外光谱（fNIRS）与临床数据在预测MDD患者六个月药物治疗反应中的潜力，同时结合机器学习技术探讨可能的神经生物学机制。

研究纳入了70名21-50岁的MDD患者，排除其他精神疾病及中枢神经系统相关疾病的患者。在基线（T1）和六个月后（T8），患者接受了fNIRS扫描，同时使用17项汉密尔顿抑郁量表（HAM-D）评估抑郁症状的严重程度。治疗反应定义为HAM-D评分下降50%以上。患者在基线和随访期间接受了词汇流畅性任务（VFT），记录任务前后及任务期间的大脑总血红蛋白（HbT）浓度变化。随后，研究使用多种机器学习模型（如朴素贝叶斯、支持向量机、随机森林、XGBoost、判别分析、Transformer等）对数据进行分析，并通过嵌套交叉验证方法评估模型的预测性能。

图1：分析流程概览

研究结果显示，在六个月的治疗随访后，15名患者对治疗有反应，而49名患者无反应。HbT在任务期间的变化与治疗反应显著相关，尤其是在背外侧前额叶皮层（dlPFC）区域，其HbT任务变化与HAM-D评分的减少呈显著正相关（p<0.005）。使用fNIRS数据的朴素贝叶斯模型表现最佳，其内外部交叉验证的AUC值均为0.77，平衡准确率分别为70%和73%。相比之下，结合fNIRS和临床数据的双模态模型表现较差，AUC值为0.70（外部验证）。

值得注意的是，单独使用fNIRS数据的预测性能显著优于仅使用临床数据或两者结合的数据。这表明fNIRS的血红蛋白浓度变化可以更好地预测MDD患者的治疗反应。

图2：fNIRS 分析结果

研究指出，dlPFC区域的HbT恢复能力可能是预测治疗反应的重要标志物。具体而言，任务后HbT浓度能够恢复至任务前水平的患者更可能对治疗产生反应。此外，研究表明，尽管深度学习模型如Transformer在处理大规模数据时具有优势，但在本研究中由于样本量较小，其性能不及传统的机器学习模型如朴素贝叶斯。此外，社会支持、生活事件、药物剂量等个人和社会因素也可能影响治疗反应，这些因素需要在未来研究中进一步探讨。

同时研究强调了fNIRS作为一种可扩展、经济实用的神经影像工具，在MDD治疗反应预测中的潜力。与MRI相比，fNIRS具有更高的临床适用性，可以应用于实际决策中。未来研究可通过更大规模、更多样化的患者群体验证这一方法，以进一步开发个性化的治疗方案，提升MDD患者的治疗效果。

文献出处：

Ho, C. S. H., Wang, J., Tay, G. W. N., Ho, R., Lin, H., Li, Z., & Chen, N. (2025). Application of functional near-infrared spectroscopy and machine learning to predict treatment response after six months in major depressive disorder. Translational Psychiatry, 15(7). https://doi.org/10.1038/s41398-025-03224-7.

Tags： Translational Psychiatry：功能近红外光谱与机器学习在预测重度抑郁症六个月治疗反应中的应用