小磁說｜TIPS

今天是10月10日，一年一度的世界精神衛生日，在此祝所有精神衛生工作者節日快樂！

近紅外腦功能成像技術（簡稱fNIRS）,fNIRS是一種無創光學成像方法，通過檢測大腦表層氧合血紅蛋白(HbO)和脫氧血紅蛋白(HbR)的濃度變化，從而反映大腦代謝情況。

值此世界精神衛生日到來之際，小磁精心整理了部分fNIRS在精神領域領域應用的文獻以供廣大醫師們日常學習、查閱！

01

fNIRS揭示有/無失眠的重度抑郁癥患者認知功能與大腦激活的關系

本研究由貴州醫科大學附屬醫院精神科夏光源博士團隊進行，旨在探究失眠對重度抑郁癥(MDD)患者前額葉皮層功能的影響。研究招募了80名MDD患者和44名健康對照者（HC組），使用近紅外腦功能成像系統(fNIRS)評估他們在進行語言流暢性測試(VFT)期間前額葉皮層的氧合血紅蛋白(HbO)和脫氧血紅蛋白(HbR)濃度變化。

研究結論指出：

1、與健康對照組相比，MDD患者在VFT期間前額葉皮層的活性顯著降低。

2、失眠的MDD患者在除右側DLPFC外的所有腦區都表現出更高的激活水平，表明睡眠質量是fNIRS篩查的重要指標。

3、左側腹外側前額葉(VLPFC)的失眠嚴重程度與激活水平之間存在正相關，暗示左腦區域在幫助MDD患者抵抗嗜睡的神經生理學中起作用。

VFT任務范式

三組在VFT期間的前額葉皮質激活情況，

顏色越紅，激活越大，顏色越藍，激活越小

02

fNIRS技術助力MDD神經生物標記大樣本研究，為精神疾病早期預測提供新思路

南昌大學附屬第一醫院胡茂榮主任團隊的這項研究通過近紅外光譜成像(fNIRS)技術，對289名抑郁癥患者(MDD)和178名健康對照(HC)的前額葉腦區進行了血流動力學變化的測量。研究使用了言語流暢性任務(VFT)來收集數據，并利用機器學習方法來分析和預測MDD。

研究步驟：

受試者選擇：研究對象包括MDD患者和健康對照組，年齡范圍12-65歲。

數據收集：使用BS-7000近紅外腦功能成像系統，進行雙波段(690nm、830nm)。

機器學習模型在訓練集(A)和測試集(C)

預測重度抑郁癥患者的ROC曲線分析

利用近紅外光譜進行MDD分類和預測的機器學習框架

研究結果：

1、特征選擇與模型比較：通過統計測試和LASSO方法選擇特征，發現GBDT模型在預測MDD方面表現最佳。

2、模型性能：GBDT模型在訓練集和測試集上均顯示出高準確率和AUC值，表明其預測MDD的有效性。年齡對模型預測能力有一定影響。

3、模型解釋：SHAP分析揭示了前20個特征對模型區分MDD和健康受試者的重要性，這些特征主要與認知、情感和決策功能相關的腦區。

結論：

研究證明了使用fNIRS技術結合機器學習方法可以有效地評估和預測MDD，為MDD的早期識別、診斷和治療提供了新的方法。

03

重度抑郁癥青少年前額葉腦活動與自傷行為

河北省第六人民醫院張云淑教授、李冰主任及團隊進行的該研究旨在探究青少年抑郁癥患者中自我傷害行為的神經生物學機制，特別是關注大腦執行功能的差異。

研究方法：

受試者：篩選60名MDD青少年，分為自傷組（SH，36人）和非自傷組（Non-SH，24人）。

評估：收集參與者基本信息，使用HAMD、HAMA、EPQ和EMBU量表評估抑郁、焦慮、人格特征和父母養育模式。

VFT任務：要求受試者在規定時間內說出特定類別的單詞。

fNIRS測量：使用BS-7000系統，雙波段采集，記錄前額葉腦區氧合變化。

基于解剖自動標記模板(ICBM152)

分割出的11個感興趣區

統計分析：

比較兩組人口統計學數據和量表評分，使用Mann-Whitney U檢驗比較腦區激活的β值，建立邏輯回歸模型并使用ROC曲線確定預測效率。

研究結果：

1、人口統計學數據：兩組在神經質性、父親的過度干涉、母親的拒絕和懲罰等方面存在顯著差異。

2、PFC激活：自傷組在VFT任務期間右側額中回(rMFG)的激活程度顯著高于非自傷組。

兩組右側額中回的β值比較；rMFG、Neuroticism (N)、overinterference (F3)和logistic回歸模型的beta z-score的ROC曲線

3、邏輯回歸分析：rMFG的βZ分數、神經質(N)、過度干涉(F3)是自傷的獨立危險因素，模型擬合良好，ROC曲線顯示預測效率。

VFT任務范式

結論：

研究發現MDD青少年中自傷組與非自傷組在VFT任務中rMFG的激活存在差異。rMFG的βZ分數、神經質和過度干涉是自傷的獨立危險因素。VFT范式有助于發現MDD青少年的神經生物學差異。

04

總結與展望

通過眾多的研究與實踐，我們看到fNIRS能夠有效地測量大腦活動和功能狀態，為理解精神疾病的神經機制提供了直觀的數據支持。它在多種不同的腦功能疾病的輔助診斷、評估中都發揮了重要作用。

隨著fNIRS技術的不斷進步和疾病大數據研究的逐步增加與常模的建立，未來，該技術將能夠更精準地識別異常的大腦活動模式，這將有助于早期對相關腦功能疾病進行及時的預測和干預。

其次，fNIRS與其他神經影像技術相結合，如磁共振成像(MRI)、腦電圖(EEG)等，實現多模態融合，為精神心理領域相關的研究和輔助診斷提供更全面、更準確的信息。

我們相信，這一技術未來將在不同的腦功能疾病的預防、輔助診斷、治療和康復中發揮越來越重要的作用，為守護人們的健康貢獻更大的力量！

? 參考文獻：

[1] Xu H, Wang Y, Wang YM, Cao Y, Li P, Hu Y, Xia G. Insomniacs show greater prefrontal activation during verbal fluency task compared to non-insomniacs : a functional near-infrared spectroscopy investigation of depression in patients. BMC Psychiatry. 2023 Mar 30;23(1):217

[2] Mao L, Hong X, Hu M. Identifying neuroimaging biomarkers in major depressive disorder using machine learning algorithms and functional near-infrared spectroscopy (fNIRS) during verbal fluency task. J Affect Disord. 2024 Nov 15;365:9-20.

[3] Zhang Y, Li B, Zhang L, Cheng A, Long S, Wang J, Wen M, Li K, Liu C. Prefrontal brain activity and self-injurious behavior in adolescents with major depressive disorder: A functional near-infrared spectroscopy (fNIRS) study. J Psychiatr Res. 2024 Aug;176:248-253. .

以上內容由依瑞德集團醫學中心整理，

有不足之處請指正，轉載請注明出處。