本篇文献发表在CNS Neuroscience & Therapeutics杂志。本公众号所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。

1. 引言

亚临床抑郁症，也称为阈下抑郁症或亚综合征抑郁症，是不同人群中高度普遍的疾病。亚临床抑郁症表现出临床上显著的抑郁症状，但不符合重度抑郁障碍阳性诊断的标准。尽管亚临床抑郁症中呈现的症状不如重度抑郁障碍严重，但据报道，与非抑郁受试者相比，亚临床抑郁症个体常有更差的生活质量和更高的自杀风险。此外，鉴于亚临床抑郁症在一般人群中高发，它对卫生服务造成了沉重负担。然而，亚临床抑郁症的神经病理学在很大程度上是未知的。

功能磁共振成像研究显著推进了对亚临床抑郁症神经病理学背后脑功能改变的理解。新兴的功能磁共振成像证据表明，亚临床抑郁症与大规模脑网络的异常有关，特别是默认模式网络和额顶叶网络。默认模式网络表现出与亚临床抑郁症相关的自发性功能活动和功能连接改变，通常与反刍或情绪相关病理有关。同时，额顶叶网络在亚临床抑郁症中连接性降低，导致目标导向注意异常。值得注意的是，默认模式网络和额顶叶网络都受凸显网络调节，凸显网络调节默认模式网络内部导向认知与额顶叶网络外部导向认知之间的切换。已有研究提出，默认模式网络、凸显网络和额顶叶网络区域之间功能协调的改变与抑郁症状有关，如负性、重复性内省（即反刍）以及对负性、自我参照信息的注意偏倚。此外，最近一项大规模研究表明，凸显网络的皮层扩张是一种特征性的结构异常，即使在未达到重度抑郁障碍完整标准的个体中也明显存在，并且存在于抑郁严重程度的整个谱系中。这表明凸显网络扩张可能代表了一个早期的神经发育风险标志。因此，有理由假设亚临床抑郁症中默认模式网络和额顶叶网络的功能障碍可能源于凸显网络异常认知调节。这一假设需要从更动态的视角进一步探索脑网络之间的关系。

传统的静息态功能网络通常使用脑区时间序列之间长时间段的相关性系数来估计。然而，这种传统方法的前提假设是脑活动在整个功能磁共振成像扫描过程中保持相对静态，忽略了网络形成和解散时功能协调的动态模式，以及网络随时间转换的模式。因此，亚临床抑郁症中凸显网络、默认模式网络和额顶叶网络之间的动态转换（涉及内部和外部导向注意之间的调节）难以使用传统的静态功能网络方法检测近期，共激活模式分析技术被引入用于追踪单个时间框架内功能网络的动态变化，可对功能磁共振成像信号在单个时间点的网络动态特征提供高分辨率观测。

作为共激活模式分析的关键步骤，脑激活判定在消除冗余非激活信息、增强聚类效果和降低计算复杂度方面起着至关重要的作用。脑激活判定涉及识别每个体素原始血氧水平依赖时间序列中的激活时间点，并排除非激活时间点的血氧水平依赖信息。现有研究通常设定特定的激活比例阈值，但对此激活比例缺乏共识。此研究提出了一种基于前聚类的脑激活判定方法。该方法首先采用聚类分析识别每个体素的主要激活状态，以该状态内的平均信号强度作为脑激活判定的基线。与传统方法相比，该方法不依赖于先验假设，是数据驱动的，因此对数据采集条件或特定人口学因素的潜在干扰具有鲁棒性。

在此研究中，提出了基于前聚类的共激活模式方法来评估亚临床抑郁症相关的脑网络动态改变。此外，深入探讨了网络动态指标与抑郁严重程度之间的关联。最后，进行了机器学习分析，以检验研究结果的可靠性以及功能网络动态差异在未来亚临床抑郁症诊断中的潜在有效性。

2.方法

2.1 研究对象

参与者招募自广州医科大学接受健康筛查的1105名大学生。所有参与者完成贝克抑郁量表第二版以评估抑郁症状。共有34名贝克抑郁量表第二版评分超过13分的亚临床抑郁症个体被纳入此研究。同时，从同一队列中随机选择40名贝克抑郁量表第二版评分低于5分的个体作为健康对照组。健康对照组与亚临床抑郁症组在年龄、性别和教育背景上相匹配，且经结构化临床评估，无任何对照者表现出临床抑郁症状。详细纳入标准信息请参见支持信息或先前发表的文章。

此研究获得天津大学医学伦理委员会批准。在详细描述研究后，所有参与者均提供书面知情同意书。

2.2 图像采集

使用配备8通道相控阵头线圈的3特斯拉磁共振扫描仪获取磁共振图像。采集过程中，为受试者提供泡沫垫和耳机以尽量减少头部运动并降低磁共振噪音。

使用平面回波成像序列采集静息态扫描，参数如下：回波时间=21毫秒，重复时间=2500毫秒，视野=200×200平方毫米，翻转角=90°，矩阵=64×64，体素大小=3.5×3.1×3.1立方毫米，时间点=200，40层无间隔。使用磁化准备快速采集梯度回波序列采集T1加权图像，参数如下：重复时间=2530毫秒，回波时间=2.34毫秒，翻转角=7°，视野=256×224平方毫米，层厚=1.0毫米无间隔。

指导参与者在扫描期间保持闭眼、清醒、放松且不主动思考。由两位经验丰富的放射科医生检查所有图像以确保没有病变或伪影。参与者和磁共振扫描参数与此研究先前发表的文章一致。

2.3 影像预处理

使用MATLAB平台上的DPARSF进行静息态功能磁共振成像数据预处理。对每个受试者，丢弃前10个时间点。然后对图像进行层间时间校正、头动校正、标准化、噪声协变量回归、带通滤波和空间平滑。详细预处理信息请参见支持信息或先前发表的文章。

对每个参与者，基于Dosenbach功能图谱提取预处理后静息态功能磁共振成像数据的血氧水平依赖时间序列，该图谱将全脑划分为160个功能定义的感兴趣区。然后，使用z分数对每个时间序列进行归一化，以表示每个感兴趣区内的相对激活强度变化。将所有受试者的血氧水平依赖数据连接成一个矩阵[190 TR ×59名受试者×160个感兴趣区域（ROIs）]。

2.4 基于前聚类的共激活模式分析

基于前聚类的共激活模式分析是一种数据驱动的分析技术，可识别全脑中具有相似共激活模式的重复出现的大脑状态。在此研究中，使用MATLAB中自定义脚本进行基于前聚类的共激活模式分析。

首先进行基于前聚类的脑激活判定。初始时，对连接的时间序列进行k-均值聚类分析，以识别跨参与者和时间点出现的k种重复出现的共激活模式，以及每个特定时间点的脑共激活状态。此过程称为前聚类，涉及k-均值聚类过程，其中第一步是设置聚类数k。遵循先前研究常用的策略，此研究将k设为从2到20以1为增量递增。使用肘部准则和轮廓系数确定k的最佳值。

随后，对每个感兴趣区i，计算与每个激活状态（S1,S2,S3,…Sk）相对应的平均血氧水平依赖信号强度（V1,V2,V3,…Vk）。具有最高平均信号强度的激活状态被指定为感兴趣区 i 特异性的主要激活状态（Sp）（例如，后扣带回的Sp对应于默认模式网络，而枕叶的 Sp代表视觉网络）。接着，计算血氧水平依赖信号强度超过主要状态平均强度（Vp）的时间点比例，代表区域i 的激活比例pi）。此过程遍历所有160个脑区，得出每个感兴趣区的激活比例。随后，计算所有感兴趣区的平均激活比例，记为最终激活比例（p）。最后，在每个参与者的z评分时间序列中，保留前p% 信号强度对应的数据以表示脑激活，其余信号设为零，从而完成脑激活判定的全部过程。

然后，基于激活判定后连接的血氧水平依赖时间序列进行k-均值聚类分析，k值从2到20以1为增量递增。同时使用肘部准则和轮廓系数来确定k的最佳聚类解。随后，对分配给每个脑状态的时间点进行平均，并用簇内标准差进行归一化，以生成共激活模式图供进一步可视化和功能脑网络识别。

2.5 脑网络动态指标

计算四个指标以评估静息态脑网络的动态特性：(1)驻留时间，代表参与者在扫描系列中花费在该脑网络状态的时间占总时间点的比例；(2) 持续时长，量化参与者在转换到另一状态之前保持在特定脑网络状态的平均连续时间点长度；(3) 转换总次数，计算扫描系列中不同脑网络状态之间的切换次数；(4) 状态间转换频率，测量从一个属于脑网络状态A的时间点转换到下一个属于B的时间点的频率。驻留时间和持续时长反映网络状态的主导性，而转换总次数和状态间转换频率则表征网络动态转换。

2.6 统计分析

使用社会科学统计软件包 (SPSS)版本17，对参与者的人口学数据进行分析。采用双样本t检验评估年龄和教育程度的差异，使用卡方检验评估性别差异。

为探索亚临床抑郁症中网络动态特性的改变，比较了亚临床抑郁症组与健康对照组之间的驻留时间、持续时长、转换总次数和状态间转换频率。初始比较采用双样本t检验，并对t检验进行fdr校正。此外，为控制年龄和性别的潜在混杂效应，使用一般线性模型对t检验中有显著差异的指标进行再次分析，以组为固定因子，年龄和性别为协变量。此外，为研究抑郁严重程度与网络动态特性之间的关联，在亚临床抑郁症组中进行了偏相关分析，以评估动态特性与贝克抑郁量表第二版评分之间的关系。所有网络动态指标的统计分析和相关分析均使用MATLAB进行。

图1 PC-CAP分析示意图

2.7 机器学习分析

进行机器学习分类分析以进一步验证研究结果的可靠性并探索网络动态指标的区分能力。整合了具有显著组间差异的动态指标特征。随后，将数据归一化到0至1的标准范围。为增强分类性能，采用集成学习策略，为提升分类性能，结合了支持向量机（SVM）的装袋法与参数优化技术。为优化支持向量机参数配置，执行了彻底的交叉验证过程，探索了惩罚系数和核函数超参数的不同组合。模型训练采用装袋框架，通过随机重采样生成多个训练子集。然后利用这些子集训练一组支持向量机模型，每个模型使用不同的参数组合。采用留一法交叉验证方案严格评估每个单独模型的性能。对每个测试样本，使用集成支持向量机模型进行预测。最终预测通过加权投票机制确定，每个模型的权重基于其各自的训练准确率。为评估集成学习模型的性能，计算了十次交叉验证迭代的平均准确率、灵敏度和特异度。

在脑海科技云平台中，内置了共激活模式（Co-activation pattern, CAP）分析模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。读者可对照思考如何在平台中实现类似的分析流程。感兴趣可联系预约产品演示。

3. 结果

3.1 人口学数据比较

亚临床抑郁症受试者与健康对照者之间在性别、年龄或受教育年限方面无显著差异。亚临床抑郁症受试者的贝克抑郁量表第二版评分显著高于健康对照者。参与者的人口学和临床详细数据见表1。

3.2 基于前聚类的脑激活判定

比较了亚临床抑郁症组与健康对照组之间的驻留时间、持续时长、转换总次数和状态间转换频率。双样本t检验结果显示，亚临床抑郁症受试者中凸显网络的驻留时间显著降低（p=0.014，FDR校正）。从凸显网络到默认模式网络的网络转换频率在亚临床抑郁症受试者中显著增加（p=0.026，FDR校正），但凸显网络与额顶叶网络之间、默认模式网络与额顶叶网络之间未发现差异。任何共激活模式状态的持续时长和转换总次数均无改变。此外，为严格控制年龄和性别的潜在影响，使用一般线性模型分析进一步验证了这些组间差异。在控制这些协变量后，与健康对照组相比，亚临床抑郁症组仍表现出凸显网络驻留时间的显著降低（β=−0.0176，95% CI [−0.0340，−0.0012]，p=0.036；科恩d=−0.67），如图4B所示。相反，从凸显网络到默认模式网络的转换频率在亚临床抑郁症组中仍显著增加（β=1.124，95% CI [0.0021，2.2462]，p=0.049；科恩d=0.60），如图4A、C所示。性别和年龄在两个模型中均不显著。

分析了160个脑区中每个区域的主要激活状态。基于每个感兴趣区内主要激活状态下的平均血氧水平依赖信号强度，进一步计算激活比例。所有感兴趣区的平均激活比例确定为23%(SD=0.063),，代表全脑激活比例。此外，此研究对亚临床抑郁症受试者与健康对照者之间的激活比例进行了比较分析，发现两组之间无显著差异。因此，采用23%的阈值对每个参与者进行脑激活判定。保留前23%信号强度对应的血氧水平依赖数据并标记为脑激活，其余非激活信号设为零。随后，将所有参与者的时间序列沿时间维度连接起来，用于进一步的聚类分析。

3.3 重复出现的脑网络状态

基于激活判定后连接的血氧水平依赖时间序列进行k-均值聚类分析。应用肘部准则确定最佳聚类解为k=6，如图所示。当k=6时，折线图显示最大畸变，表示最有利的聚类结果，并突出了与前聚类相比增强的聚类效果。进一步可视化六个共激活模式，其中五个模式显示跨多个脑区的显著共激活，而剩余一个模式代表非激活脑状态。

如图所示，状态1指示中央前回和中央后回的共激活，被识别为感觉运动网络，参与运动过程和体感。状态2包括外侧和内侧枕叶的广泛共激活，清晰地代表视觉网络。状态3的特征是前扣带回和前岛叶的共激活，与凸显网络紧密吻合。状态4包括背外侧前额叶、外侧顶叶皮质、颞中回和颞下回，被识别为额顶叶网络。状态5的特征是后扣带回、楔前叶、角回和内侧前额叶皮质的共激活，与默认模式网络的区域高度吻合。状态6指示非激活脑状态。

表1 | 样本人口统计学特征

3.4 亚临床抑郁症相关网络动态指标的改变

比较了亚临床抑郁症组与健康对照组之间的驻留时间、持续时长、转换总次数和状态间转换频率。双样本t检验结果显示，亚临床抑郁症受试者中凸显网络的驻留时间显著降低（p=0.014，FDR校正）。从凸显网络到默认模式网络的网络转换频率在亚临床抑郁症受试者中显著增加（p=0.026，FDR校正），但凸显网络与额顶叶网络之间、默认模式网络与额顶叶网络之间未发现差异。任何共激活模式状态的持续时长和转换总次数均无改变。此外，为严格控制年龄和性别的潜在影响，使用一般线性模型分析进一步验证了这些组间差异。在控制这些协变量后，与健康对照组相比，亚临床抑郁症组仍表现出凸显网络驻留时间的显著降低（β=−0.0176，95% CI [−0.0340，−0.0012]，p=0.036；科恩d=−0.67），如图4B所示。相反，从凸显网络到默认模式网络的转换频率在亚临床抑郁症组中仍显著增加（β=1.124，95% CI [0.0021，2.2462]，p=0.049；科恩d=0.60），如图4A、C所示。性别和年龄在两个模型中均不显著。

此外，为进一步研究抑郁严重程度与网络动态特性之间的关联，进行了偏相关分析，结果显示从凸显网络到默认模式网络的网络转换频率与贝克抑郁量表第二版评分(r=0.447, p=0.022)呈正相关。

图2 | 最优聚类数量的选择

3.5 集成学习的分类性能

提取每个个体的凸显网络驻留时间特征和从凸显网络到默认模式网络的转换频率特征。利用这些网络动态特征，采用装袋方法的支持向量机分类器的集成学习模型在区分亚临床抑郁症个体与健康对照者方面达到了96.44%±2.03%的分类准确率，特异度为100%±0%，灵敏度为91.92%±4.60%，突出了其在准确识别亚临床抑郁症个体方面的有效性。

4. 讨论

此研究进行了基于前聚类的共激活模式分析，以评估亚临床抑郁症相关的脑网络动态改变。通过比较动态主导性和转换指标，此研究提供了新的证据，表明亚临床抑郁症受试者表现出凸显网络驻留时间减少。此外，从凸显网络到默认模式网络的网络转换频率在亚临床抑郁症受试者中显著增加，且这种增加与抑郁严重程度呈正相关。这些发现为亚临床抑郁症中脑功能动态的改变提供了新的见解，有助于全面理解亚临床抑郁症背后的脑功能障碍和神经病理学。

基于新颖的基于前聚类的共激活模式方法，此研究准确识别了五个具有重复出现共激活模式的功能网络，包括感觉运动网络、视觉网络、凸显网络、默认模式网络和额顶叶网络。与先前研究中基于先验知识的脑激活判定方法相比，基于前聚类的共激活模式方法能够准确识别每个时间点最显著激活的网络。该方法有效规避了识别多个网络同时激活且可能相互干扰的模糊状态的问题。这对于探索此研究中默认模式网络、凸显网络和额顶叶网络之间的信息交流或因果关系尤为有利。此外，基于前聚类的共激活模式方法独立于先验假设，因此对数据采集条件或特定人口学因素可能带来的偏倚具有鲁棒性。因此，基于前聚类的共激活模式方法可为未来脑功能动态分析提供方法论指导。

先前的静态功能磁共振成像研究有力地证明，默认模式网络功能障碍与抑郁症的神经病理学相关。在重度抑郁障碍中，最近的几项静态功能连接研究的荟萃分析利用多中心数据和大样本量，一致显示重度抑郁障碍患者默认模式网络关键区域内功能连接强度增加而稳定性降低。同样，在亚临床抑郁症中，先前研究通过低频振幅和局部一致性分析揭示了默认模式网络区域内自发性神经活动的广泛改变，包括后扣带回、楔前叶、海马、前扣带回和内侧前额叶皮质。根据功能连接研究，Li等人报道了老年亚临床抑郁症个体前扣带回功能连接模式的改变，而Philippi等人进一步证明亚临床抑郁症严重程度与前扣带回（默认模式网络内的关键区域）的特定功能连接模式相关。默认模式网络被认为介导内省和心理活动脱离外部集中思维等心理过程。默认模式网络功能障碍已被证明与反刍呈正相关，反刍是抑郁症患者的显著临床表现。因此，默认模式网络的静态功能障碍被认为是脑损伤的特征以及理解重度抑郁障碍和亚临床抑郁症神经病理学的关键结构。

图3 | 通过k均值聚类得出的五个PC-CAP状态

然而，目前的研究结果表明，默认模式网络功能障碍可能不是抑郁症功能改变的根本来源，应更多地关注凸显网络及其与默认模式网络的转换。众所周知，凸显网络调节默认模式网络介导的内部导向认知与额顶叶网络促进的外部导向认知之间的切换。因此，此研究仔细考察了凸显网络、默认模式网络和额顶叶网络之间的动态关系。结果提供了证据表明，亚临床抑郁症受试者从凸显网络到默认模式网络的转换频率显著高于健康对照者，且与抑郁严重程度呈正相关。这些发现表明，凸显网络和默认模式网络系统之间的动态协调可能在引导注意朝向内部思维方面发挥作用，使得这些区域与反刍偏倚特别相关。

图4 | SD中的网络动态改变

相反，此研究未观察到从凸显网络到额顶叶网络的转换频率改变，也未观察到从默认模式网络到额顶叶网络的转换频率改变。在亚临床抑郁症受试者中，从凸显网络到额顶叶网络以及从默认模式网络到额顶叶网络的转换频率与健康对照者相似。这一结果可能表明，朝向外部世界的目标导向注意的调节在亚临床抑郁症中未受影响，这可能增强了从反刍中脱离的能力，并减缓了抑郁症从亚临床阶段向重性抑郁的发展。

为进一步验证此研究结果的可靠性以及网络动态在临床诊断中的判别能力，利用这些网络动态特征的集成学习模型在区分亚临床抑郁症个体与健康对照者方面达到了96.44%的分类准确率。这表明与默认模式网络和凸显网络相关的网络动态可能为未来亚临床抑郁症的临床诊断提供候选神经影像标志物。先前研究采用了多种特征模式，如脑结构和功能组合特征、自发性脑功能活动特征、外侧缰核和丘脑的连接特征、全脑功能连接特征、情绪处理过程中的任务态脑激活特征以及脑电频谱和连接特征，实现了从77.97%到最高92%不等的亚临床抑郁症识别准确率。相比之下，此研究以最低的特征维度实现了优越的分类性能，这归因于凸显-默认模式网络动态特征的高特异性和集成学习算法的有效性。这些进一步强调了凸显-默认模式网络动态在阐明亚临床抑郁症神经病理学中的重要作用。

值得注意的是，这些发现对重复经颅磁刺激治疗靶点的选择具有潜在的临床转化意义。重复经颅磁刺激是一种有前景的无创抑郁症治疗方法，已获得美国食品药品监督管理局的批准。背外侧前额叶是抑郁症最广泛刺激的部位，其疗效已被众多先前研究证实。此研究的发现表明，背外侧前额叶治疗有效的神经基础可能在于其与凸显网络核心脑区——前扣带回的关键连接。刺激背外侧前额叶可以促进脑状态从凸显网络向额顶叶网络的转换，同时抑制从凸显网络向默认模式网络的转换。这反过来抑制了与反刍相关的过度自我参照注意，并可能构成靶向背外侧前额叶的重复经颅磁刺激治疗的重要神经生物学基础。

应提及几个局限性。首先，此研究中静息态功能磁共振成像的扫描时间约为8分钟，导致用于基于前聚类的共激活模式分析的时间帧数量相对有限。这一限制不可避免地影响了所考察动态特性的稳健性和可靠性。未来的研究可通过延长扫描时长和提高成像技术的时间分辨率来增强这些方面。其次，虽然此研究使用基于前聚类的共激活模式分析来研究共激活状态之间的动态转换，但这些网络动态背后的神经机制仍不清楚。揭示更精细时间尺度上更精确的动态信息并更深入理解静态和动态神经机制的一个有前景的方法是通过整合功能磁共振成像和脑电技术。第三，尽管亚临床抑郁症受试者是从超过1000名大学生中招募和筛选的，但样本量仍然相对较小，可能限制了此研究结果的统计效力。因此，鼓励未来的研究采用更大样本量的多队列数据来增强其结果的普适性和统计效力。

5. 结论

总之，此研究利用基于前聚类的共激活模式分析来识别以随时间重复出现的空间共激活状态为特征的脑网络，并比较了亚临床抑郁症受试者与健康对照者之间这些网络的动态指标。此研究结果提供了新的证据，表明亚临床抑郁症个体表现出凸显网络驻留时间减少以及从凸显网络到默认模式网络的转换频率增加。基于这些凸显-默认模式网络动态特征的集成学习模型在区分亚临床抑郁症与健康对照者方面达到了96.44%的分类准确率。这些发现强调了凸显-默认模式网络动态改变作为未来亚临床抑郁症神经影像标志物的潜力，并支持一种神经认知模型，即凸显-默认模式网络动态协调改变使亚临床抑郁症受试者更容易出现内部导向注意偏倚，从而导致反刍等自我相关的抑郁症状。