cc1609130201的博客

背景：之前少数抑郁症患者静息态脑电图微状态的研究表明，相较于正常被试，患者的微状态时域特征有所改变。我们检验了微状态的时域特征是否可以捕捉到与抑郁症相关的大尺度脑网络动态活动。方法：为了评估在静息态大尺度脑网络动态与抑郁症之间的可能的关系，我们对19名双相情感障碍、抑郁症以及复发性抑郁症的中度到重度抑郁症患者进行了EEG微状态分析，19名健康被试作为控制组进行对照。结果：微状态分析揭示了六种微状态（A-F）在被试间的全脑聚类上。在微状态的时间特征上没有组间的差异；在病患组，在Montgomery–Åsber

重要性：老年抑郁症（LLD）的临床表现具有相当大的异质性。揭示这种异质性可能有助于阐明LDD的发病机制，并有助于精准和个性化治疗LDD。目的：横向和纵向描述与神经解剖学、认知功能、临床症状和遗传图谱相关的LLD异质性。实验设计和被试：基于影像的衰老和神经退行性疾病坐标系(iSTAGING)研究是一个国际多中心联盟，汇总了13项研究的数据以研究大脑老化，参与人数超过35000，其中包括部分患有重度抑郁的被试。本研究分析了来自多中心样本（N=996）的多模态数据：包括神经影像学数据、神经认知评估数据和遗传学数据

重复经颅磁刺激(repetitive transcranial magnetic stimulation, rTMS)在背外侧前额叶皮层治疗抑郁症的最佳靶点仍然未知。以下刺激位点的疗效更好：1)更靠前侧和更靠外侧，2)与亚属扣带回（subgenual cingulate）的功能连接更紧密。本文中我们前瞻性地测试这些因素是否能预测个体患者的反应。方法：一个患有药物难治性抑郁症的主要队列(波士顿，n = 25)接受了左侧背外侧前额叶皮层的传统、开放标签的rTMS治疗。第二个队列(密歇根，n = 16)进行了

重度抑郁症(MDD)是导致残疾和发病率最大的单一因素，影响全球约10%的人口。目前，临床上还未发现有用的诊断生物标志物可以从抑郁症和双相情感障碍(BD)的早期就能诊断出抑郁症。因此，迫切需要探索基于机器学习的方法找到情感障碍的生物标记物，尽管这在当前仍旧具有很大的挑战性，但机器学习方法仍旧在提高我们对这些障碍的理解方面具有巨大潜力。本文中，作者们总结了用于大脑成像分类和预测的常用的机器学习方法，并提供了研究概述，特别是对MDD的研究。本文包括的研究类型有：使用磁共振成像数据(a)对MDD与对照组或者与.

许多研究强调，通过机器学习技术将基础神经科学知识应用到临床存在很大困难。由于不同中心的功能磁共振成像具有很大差异，很难将机器学习得到的脑标记物推广到从独立成像中心获取的数据。本文为突破这一问题带来了重要的解决方案，本研究找到了一种基于静息态功能连接模式将重度抑郁症(major depressive disorder, MDD)患者与健康对照区分开来的通用标记物。数据集包括713名受试者（来自4个成像中心），使用最近开发的调和方法去除了不同成像中心的差异，并开发了机器学习MDD分类器。对于包含521名受试者（