利用机器学习，研究人员发现了重度抑郁症患者大脑不同部分之间新颖、独特的协调活动模式——即使使用不同的协议来检测这些大脑网络。日本京都国际先进电信研究所的 Ayumu Yamashita 及其同事在开放获取期刊PLOS Biology上发表了这些发现。

虽然重度抑郁症通常很容易诊断，但更好地了解与抑郁症相关的大脑网络可以改善治疗策略。机器学习算法可以应用于抑郁症患者大脑活动的数据，以找到这种关联。然而，大多数研究仅关注抑郁症的特定亚型，或者没有考虑医疗机构之间脑成像方案的差异。

为了应对这些挑战，Yamashita 及其同事使用机器学习分析了 713 人的大脑网络数据，其中 149 人患有重度抑郁症。这些数据是使用一种称为静息态功能磁共振成像 (rs-fMRI) 的技术收集的，该技术可检测大脑活动并生成图像，揭示大脑不同部分之间的协调活动或“功能连接”。成像是在不同的机构使用不同的方案进行的。

机器学习方法识别了成像数据中的关键功能连接，这些连接可以作为重度抑郁症的大脑网络特征。事实上，当研究人员将这一新特征应用到不同机构从另外 521 人收集的 rs-fMRI 数据时，他们在识别这些新人中哪些人患有重度抑郁症方面达到了 70% 的准确率。

研究人员希望他们的新大脑网络特征可以应用于不同的成像协议，可以作为发现与抑郁症亚型相关的大脑网络模式的基础，并揭示抑郁症和其他疾病之间的关系。更好地了解重度抑郁症的大脑网络连接可以帮助患者匹配有效的治疗方法并为新疗法的开发提供信息。