要点解读

心境障碍（重度抑郁症 MDD、双相障碍 BD）发病率高、危害大，核心特征是持续情绪失调与功能受损，严重影响患者生活质量并加重医疗负担。现有神经影像学研究多采用静息态 fMRI 或抽象任务范式，虽发现患者与健康人存在脑活动差异，但存在生态效度低、结果难重复、缺乏情绪特异性等问题，未能确立可用于临床诊断的可靠神经功能标志物。此外，MDD 与 BD 均存在快乐、悲伤情绪调节异常，但二者神经机制差异不明，传统诊断依赖临床量表，主观性强、易误诊。因此，亟需开发生态化、动态化、情绪特异性的神经标记物，为心境障碍精准诊断、早期干预提供客观依据，弥补现有研究与临床应用的核心缺口。

研究分健康人建模、临床验证、稳定性检验三阶段。1. 健康人数据：招募 52 名健康人，观看 10 分钟快乐 / 悲伤电影片段（各 6 段），采集 fMRI 数据，用滑动窗口法计算 dFC，k-means 聚类识别 4 种脑状态，线性 SVM 筛选区分情绪的稳定特征，构建 DEFN；2. 临床数据：采用公开多中心 MDD 数据集（174 人：63 患者 / 111 健康）、自建 BD 数据集（112 人：59 患者 / 50 健康），提取静息态静态功能连接（sFC）；3. 模型验证：嵌套 10 折交叉验证训练 SVM 分类模型，对比 DEFN 模型与全脑基线模型准确率；4. 稳定性检验：回归年龄、性别变量，重复验证模型效果，统计用 t 检验、卡方检验、McNemar 检验，FDR 校正多重比较。

健康人层面：识别 4 种情绪脑状态，state3（正性情绪相关）、state4（负性情绪调节相关）联合构建的 DEFN，区分快乐与悲伤准确率达83.99%；2. 临床诊断层面：DEFN 模型诊断 MDD 准确率 70.33%（基线 57.58%，提升 12.75%）、BD 准确率 75.18%（基线 63.18%，提升 12%），AUC 分别达 0.675、0.716；3. 情绪异常模式：MDD 以视觉 - 注意、视觉 - 前额叶网络异常为主，BD 在此基础上新增感觉运动、默认模式、皮质下网络异常；4. 稳定性：控制年龄、性别后，MDD 准确率 70.17%、BD74.18%，模型效果稳定、可重复性强。

Figure 1：研究整体分析框架

这张图完整呈现了研究从健康人群数据处理、核心网络识别到临床样本验证的全流程逻辑，分为健康人群动态状态估计与样本构建、核心情绪功能网络识别、临床情绪障碍数据集验证三个核心环节。首先在健康人群中，基于全脑 432 个感兴趣区域的血氧水平依赖信号，通过滑动时间窗和聚类方法估算情绪体验中的动态脑状态，构建不同状态的功能连接矩阵并提取特征作为模型输入；接着利用健康人群情绪数据集，通过最优支持向量机模型筛选稳定特征，整合形成发散性情绪功能网络（DEFN）；最后将识别出的 DEFN 应用于抑郁症、双相情感障碍的临床静息态数据集，通过嵌套交叉验证筛选最优 DEFN 掩码构建分类模型，对比基线模型验证效果，并进一步挖掘两类情绪障碍对应的情绪相关功能连接异常模式，清晰串联起从基础神经特征发现到临床诊断应用的完整研究路径。

Figure 2：健康人群的动态脑状态与 DEFN 特征

这张图展示了健康人群情绪体验下的最优聚类数量、四种动态脑状态分布及核心 DEFN 的网络权重特征，揭示健康个体情绪加工的基础神经模式。左侧肘部法分析确定将健康人群情绪相关动态功能连接数据聚类为 4 类为最优，避免聚类过少或过多导致的信息丢失或冗余；中间部分展示 4 种脑状态的核心特征及占比，四种状态占比分别为 5.87%、19.81%、35.46%、38.87%，不同状态对应情绪加工的不同阶段，如基线中性状态、过渡状态、正向情绪上调状态、负向情绪调节抑制状态；右侧 DEFN 热力图直观呈现各脑网络在情绪识别中的权重差异，颜色越深代表该网络在区分快乐与悲伤情绪中作用越关键，核心权重集中于视觉网络、边缘网络、额顶网络等，明确了健康人群区分核心正负情绪的关键脑网络组合。

Figure 3：健康人群四种脑状态下正负情绪的功能连接差异

这张图对比了健康人群四种动态脑状态中快乐与悲伤情绪对应的脑网络功能连接强度差异，清晰呈现不同脑状态下正负情绪加工的特异性神经连接模式。图中红色区域代表快乐情绪时功能连接显著强于悲伤情绪，蓝色区域则相反，白色为无显著差异，四种状态呈现出差异化的连接特征：状态 1 无显著连接差异，印证其作为情绪中性基线状态的属性；状态 2 仅存在少量分散的连接增强，对应低情绪敏感性的过渡状态；状态 3 出现广泛的连接增强，集中于默认模式网络、额顶网络、边缘网络，凸显其在正向情绪加工中的核心作用；状态 4 呈现双向调节特征，更多连接在悲伤情绪时增强，反映负向情绪的调节抑制过程，整体说明情绪加工并非单一静态模式，而是由不同动态脑状态下特异性网络连接协同完成。

Figure 4：DEFN 模型与基线模型对情绪障碍的分类性能对比

这张图通过受试者工作特征（ROC）曲线及曲线下面积（AUC），直观对比了基于 DEFN 的模型与全脑信息基线模型在区分抑郁症、双相情感障碍患者与健康人群时的分类效果，验证 DEFN 在情绪障碍诊断中的有效性。其中 A 部分针对抑郁症数据集，基线模型分类准确率仅 57.58%、AUC 为 0.491，而 DEFN 模型准确率提升至 70.33%、AUC 达 0.675，性能提升显著；B 部分针对双相情感障碍数据集，基线模型准确率 63.18%、AUC0.594，DEFN 模型准确率提升至 75.18%、AUC0.716，同样展现出明显优势，两条曲线的差异直接证明，整合自然情境下动态情绪特征的 DEFN，能精准捕捉情绪障碍特有的神经异常，大幅提升静息态数据对两类情绪障碍的诊断区分度。

Figure 5：抑郁症与双相情感障碍的情绪相关功能连接异常模式

这张图通过权重热力图与网络连接可视化，明确了抑郁症、双相情感障碍各自特有的情绪相关脑网络功能连接异常模式，同时区分两类障碍的共性与特异性神经机制。A、B 部分的热力图展示了两类障碍分类模型中各脑网络的权重分布，白色为未纳入 DEFN 的网络，深色为关键异常网络；C、D 部分的可视化图以线条粗细和颜色深浅体现网络重要性，抑郁症的异常连接集中于视觉网络、背侧注意网络、边缘网络、默认模式网络之间，核心是视觉 - 注意 - 前额叶 - 皮层下网络连接紊乱，对应其快感缺失、持续负性情绪的核心症状；双相情感障碍除包含抑郁症的部分异常连接外，还新增感觉运动网络、默认模式网络子网络、皮层下网络的广泛异常，网络连接紊乱范围更广、复杂度更高，契合其情绪波动剧烈、正负情绪调节均异常的临床特征，清晰揭示了两类情绪障碍同属情绪调节异常但神经机制存在差异的核心特点。

Figure 6：控制年龄、性别干扰后 DEFN 模型的分类性能与异常模式

这张图呈现了剔除年龄、性别混杂因素后，DEFN 模型对两类情绪障碍的分类效果及对应的异常连接模式，验证 DEFN 模型的稳定性与普适性。A、B 部分的 ROC 曲线显示，控制干扰因素后，抑郁症数据集 DEFN 模型准确率仍达 70.17%、AUC0.696，远高于基线模型的 58.87% 和 0.529；双相情感障碍数据集 DEFN 模型准确率 74.18%、AUC0.714，显著优于基线模型的 62.55% 和 0.471，性能优势依然显著；C、D 部分的异常模式可视化图显示，剔除干扰后，两类障碍的核心异常脑网络与未控制时高度一致，仅部分次要网络权重略有调整，证明 DEFN 识别的情绪相关神经异常并非由年龄、性别差异导致，而是情绪障碍本身特有的稳定生物标志物，进一步强化了 DEFN 在临床诊断中的可靠性与应用价值。

局限：健康样本为年轻同质群体，生态化刺激单一；MDD 数据集缺失用药信息，可能干扰结果。展望：扩大样本规模，纳入不同年龄、文化群体；标准化自然刺激，细化用药分层分析；结合多模态影像，优化模型以适配临床快速诊断场景。

参考文献