内容总览
近日，深圳大学人工智能学院陆涵助理教授联合复旦大学、香港大学、剑桥大学、德国心理健康中心等国内外科研机构，在期刊Science Advances上发表了题为“Deep learning reveals a neurocomputational mechanism predicting depression risk in adolescents”的研究论文，该成果受到《环球时报》、South China Morning Post 等媒体报道。深圳大学人工智能学院陆涵助理教授为论文的唯一第一作者，深圳大学为论文第一完成单位。
重度抑郁障碍影响全球超过3亿人，一旦症状严重，往往难以治疗且容易复发。因此，如何在症状出现前识别高风险个体并实施早期干预，已成为全球精神卫生领域的重大挑战。目前，相关研究仍缺乏既能解释疾病机制，又能预测个体风险的可靠生物标志物。情绪加工缺陷是抑郁症的重要特征，也被认为是疾病易感性的潜在指标，但其背后的计算机制尚不清楚，尤其是大脑如何通过学习形成特异性情绪表征，以及这一过程的异常如何增加抑郁风险。针对这一瓶颈，本研究结合功能性磁共振成像与计算建模，提出了与脑活动表征相一致的双通路深度神经网络模型CRPN。该模型通过概念通路编码抽象情绪知识，并利用概念约束引导感知通路学习视觉信息。研究发现，视觉系统对愤怒面孔的神经表征减弱与抑郁症状显著相关；在适度概念约束下，CRPN 隐层中的愤怒表征能够复现出人脑视觉系统中的相关神经编码。进一步的系统扰动实验表明，当概念先验影响过强时，感知将更多受“预期”驱动，而非依赖真实视觉输入，进而形成负性感知偏差，并产生与抑郁相关的异常情绪表征。在此基础上，研究团队进一步提出了一种神经计算标志物。该标志物不仅能够在症状出现前4年预测抑郁症状的发生，还能在独立临床队列中有效识别抑郁症患者。该研究为理解抑郁风险形成机制提供了新的神经计算框架，也为精神障碍的早期检测、风险分层和针对性预防提供了新的理论依据与技术路径。
该研究得到国家重点研发计划、国家自然科学基金等项目的资助与支持。
原文链接：https://www.science.org/doi/10.1126/sciadv.aed0772
科研动态