Appearance
Deep learning reveals a neurocomputational mechanism predicting depression risk in adolescents
Summary
Problem: 抑郁症影响全球超过3.32亿人，一旦完全建立便难以治疗且易复发，因此早期检测和预防成为全球健康优先事项。然而，基于关联的脑影像研究虽已积累大量神经关联发现，却缺乏具有机制可解释性的生物标志物来预测个体风险。情绪加工缺陷是抑郁症的标志性特征，但对其计算机制的理解仍然有限，存在一个关键知识空白：情绪特异性视觉表征是如何通过学习计算性地形成的，以及这一过程的破坏如何导致疾病易感性？
Approach: 作者引入了一个基于扰动的神经计算框架。他们构建了一个双通路深度神经网络（DNN），其中“概念通路”编码抽象情绪概念并调节“感知网络”的学习过程。通过系统地扰动概念正则化强度（λreg从0到2），定量模拟规范性和病理性情绪表征的产生。随后将该模型与人类神经影像数据直接对照，评估DNN衍生表征与愤怒面孔感知期间大脑活动之间的对齐程度。研究在IMAGEN队列（N=1332）中提取视觉愤怒编码，在STRATIFY患者队列（N=411）中验证临床适用性。
Finding: 研究发现：（1）低效率视觉愤怒编码组表现出更高的情绪症状；（2）双通路DNN在最优正则化水平（λreg=1）时信息增益达到峰值，而过度正则化会产生负性知觉偏差并重现缺陷性视觉编码；（3）过度正则化脑评分与情绪症状正相关，最优正则化脑评分与情绪症状负相关；（4）该计算标记可预测4年后（23岁）的抑郁症状发作；（5）该标记与抑郁遗传风险变异和多基因风险相关，并在独立患者队列中改善抑郁分类。
Significance: 这项研究超越了传统的关联性神经科学，提出了一个定义明确的计算机制与抑郁风险之间的理论联系，为预防性精神病学提供了一类此前未被认识到的候选机制性标记。该发现提示了一条从遗传易感性到情绪知觉改变再到未来抑郁的潜在机制通路，为早期检测和预防提供了可操作的计算工具。
Theoretical Framework
- Theoretical tradition: 计算精神病学与情感神经科学的交叉领域，融合了建构情绪理论与深度学习模型。
- Prior theories built upon: 建构情绪理论（theory of constructed emotion），该理论认为记忆系统中的概念知识塑造视觉层级中的感觉编码；以及关于愤怒面孔加工的双网络模型（眶额相关网络和枕叶相关网络）。
- Causal mechanism: 概念通路中的抽象情绪概念通过“正则化”过程引导和约束感知网络对原始视觉信息的加工。在正常情况下，这种引导有助于快速识别面部情绪；但当引导变得过于僵化（即“过度正则化”）时，知觉会被负面概念所偏倚，而非准确反映视觉现实，从而产生负性知觉偏差，最终导致抑郁风险增加。
- Key assumptions: 假设大脑的视觉情绪加工可以类比为双通路深度神经网络的计算架构；假设愤怒面孔是社交威胁和拒绝的强效信号，其加工改变是抑郁的核心特征；假设概念正则化强度是可量化和可扰动的连续参数。
- Theoretical move: 本文应用并扩展了建构情绪理论，将其从描述性框架转化为可计算、可扰动的机制模型，并通过实证数据验证了“过度正则化”这一具体机制与抑郁风险之间的因果链条。
- Scope conditions: 研究基于青少年人群（19岁至23岁），主要针对愤怒面孔加工；结果在IMAGEN欧洲多中心队列和STRATIFY临床队列中得到验证，但性别差异分析显示效应在女性中更强，提示可能存在性别相关的边界条件。
Research Design
本研究为纵向观察性研究结合计算建模与扰动实验。分析单位是个体青少年参与者。关键自变量为：（1）视觉愤怒编码效率（通过VAE提取的256维潜在表征，经k-means聚类分为高效率组和低效率组）；（2）概念正则化强度（λreg，在DNN中从0到2系统扰动）；（3）计算标记（过度正则化脑评分、最优正则化脑评分、欠正则化脑评分）。因变量为：（1）情绪症状（抑郁、广泛性焦虑、特定恐惧症和进食障碍分量表的复合评分）；（2）23岁时的抑郁症状发作；（3）抑郁诊断状态。研究分四个阶段：先提取脑视觉愤怒编码并检验与情绪症状的关联；再将DNN编码映射到脑编码；然后扰动正则化强度以重现缺陷编码；最后验证计算标记的临床相关性（预测性、遗传关联性和患者队列中的持续性）。
Data & Sample
研究使用两个主要队列：
- IMAGEN队列：N=1332（52.85%为女孩），为基于人群的欧洲青少年队列，在19岁时进行fMRI情绪面孔任务扫描，并在23岁时进行随访（N=725用于预测分析）。数据来自多个欧洲采集中心。遗传分析子样本N=1016。
- STRATIFY/ESTRA队列：N=411，为独立临床患者队列，包含抑郁症、酒精使用障碍、神经性厌食症和神经性贪食症患者及对照组，用于验证计算标记在临床人群中的适用性。
Analytical Strategy
分析策略包括：（1）使用变分自编码器（VAE）从枕叶相关网络激活中提取256维视觉愤怒编码；（2）k-means聚类将参与者分为高效率组和低效率组；（3）使用脑评分（brain score）量化DNN编码与脑编码之间的相似性，通过1000次spin检验评估显著性；（4）使用噪声天花板分析评估DNN解释脑信号的最大可解释比例；（5）扰动实验改变λreg（0到2），使用线性混合效应模型拟合信息增益和负性知觉偏差的二次趋势；（6）回归模型检验脑评分与情绪症状的关联，控制数据采集中心、性别、利手和社会经济地位；（7）敏感性分析包括：训练/测试集划分（70%/30%）验证聚类稳定性、性别分层分析、控制头动（平均FD）和持续注意力表现；（8）使用DAWBA和ADRS等替代量表确认结果；（9）遗传关联分析检验计算标记与抑郁相关SNP和多基因风险评分的关联。
Results & Findings
发现一：弱化的视觉愤怒编码与情绪症状相关。 在IMAGEN队列19岁参与者中，k-means聚类识别出两个不同的视觉愤怒编码模式：高效率组（N=485）和低效率组（N=847）。低效率组的信息增益显著更低（ΔIG=−0.211），且表现出更多的情绪症状（Cohen's d=0.23, β=0.178, P=0.002）。个体编码效率与情绪症状呈显著负相关（β=−0.063, P=0.035）。这一发现在独立测试集中得到复制，且对愤怒面孔加工具有特异性——快乐面孔的视觉编码与情绪症状无显著关联。低效率组更可能被诊断为情绪障碍（7.23%对2.27%），在抑郁分量表和ADRS量表上均显著更高。这一发现支持了研究假设：缺陷性视觉情绪编码与情绪症状相关。
发现二：双通路DNN能够重现脑的视觉愤怒编码。 DNN的愤怒编码与脑的枕叶相关网络编码之间存在显著相似性（S=0.512, P=0.033），且这种对应关系显著强于与眶额相关网络的对应（∆S=0.206）。DNN编码解释了脑视觉愤怒编码最大可解释信号的0.68。与传统无概念正则化的DNN相比，双通路DNN的脑映射显著更好（∆S=0.096），且这一优势在所有数据采集中心均稳健。体素级分析显示高相似性主要分布在枕叶体素和一些额叶体素，与知觉和概念加工过程一致。这一发现验证了双通路架构作为视觉情绪加工计算模型的有效性。
发现三：过度正则化重现缺陷性视觉编码并产生负性情绪偏差。 扰动实验显示，DNN编码的信息增益随λreg显著变化（η²p=0.776, F=14.57, P<0.001），在中间正则化水平（λreg=1）达到峰值。负性情绪偏差（将中性面孔误分类为愤怒或悲伤）随刺激强度偏离中间水平而增加，在较高强度水平时增加最为显著。与脑编码比较发现，最优正则化范围（λreg∈(0.8, 1.3)）内的DNN编码与高效率组（情绪症状较少）更相似，而超出此范围则与低效率组（情绪症状较多）更相似。这一发现直接支持了核心假设：非最优正则化（特别是过度正则化）是缺陷性视觉编码的计算机制。
发现四：计算标记与19岁时的情绪症状相关。 过度正则化脑评分与更多情绪症状显著相关（β=0.094, P=0.001），而欠正则化脑评分无此关联。最优正则化脑评分与更少情绪症状相关（β=−0.072, P=0.011）。这些关联在ADRS量表上得到确认，且在控制头动后仍然稳健。结果不受视觉注意力表现影响，数据采集中心与脑评分之间无显著交互效应。性别分层分析显示效应在女性中显著，男性中方向一致但幅度较小，且无显著的脑评分×性别交互作用。这一发现表明过度正则化机制具有抑郁特异性，而非一般性的情绪加工异常。
发现五：计算标记预测未来抑郁症状发作。 在IMAGEN随访中（N=725），该计算标记预测了4年后（23岁）的抑郁症状发作，表明其具有前瞻性预测价值。这一发现将计算机制与纵向临床结局直接联系起来。
发现六：计算标记与遗传风险相关并在患者中持续存在。 该标记与抑郁相关的遗传风险变异和多基因风险评分相关（N=1016），提示从遗传易感性到情绪知觉改变再到未来抑郁的潜在机制通路。在STRATIFY患者队列（N=411）中，该标记改善了抑郁分类，表明其在临床人群中的适用性和持续性。
零结果与意外发现：欠正则化脑评分与情绪症状无显著关联，表明过度正则化而非欠正则化是抑郁风险的特异性机制。快乐面孔的视觉编码与情绪症状无关联，支持了愤怒面孔加工的特异性。男性中效应较小但方向一致，未发现显著的性别交互作用。
Limitations
作者在文中承认的局限性包括：（1）研究主要基于愤怒面孔加工，对其他情绪刺激的泛化性尚不清楚；（2）性别分层分析显示效应在女性中更强，但未发现显著交互作用，性别差异的机制有待进一步研究；（3）脑评分在不同数据采集中心间存在差异，虽然不影响主要结果，但提示多中心数据的异质性；（4）研究为观察性设计，虽然计算模型提供了机制解释，但因果推断仍需谨慎；（5）遗传关联分析为相关性发现，遗传变异如何具体影响正则化过程尚需进一步机制研究。
Key Contributions
- 首次提出并验证了“过度正则化”作为抑郁风险的计算机制，将建构情绪理论转化为可计算、可扰动的模型
- 建立了从脑影像数据提取个体化视觉情绪编码的计算流程（VAE + k-means聚类）
- 开发了基于双通路DNN的机制衍生计算标记（过度正则化脑评分），可预测4年后的抑郁症状发作
- 证明了计算标记与抑郁遗传风险（SNP和多基因风险）的关联，提示遗传-机制-行为的通路
- 在独立临床队列（STRATIFY）中验证了计算标记对抑郁分类的改善作用
- 超越了传统关联性神经科学，为预防性精神病学提供了一类新的候选机制性标记
Key Claims
"Early detection and prevention of psychiatric disorders, particularly depression, remain as major global health challenges, yet reliable tools for identifying individuals before symptom onset are lacking." (Introduction)
"These findings suggest a possible mechanism linking genetic vulnerability to altered emotion perception and future depression, and propose a predictive computational marker with potential for early detection and prevention." (Abstract)
"This approach moves beyond traditional correlational neuroscience to propose a theoretical link between a defined computational mechanism and depression risk, thereby suggesting a previously unrecognized class of candidate mechanistic markers for preemptive psychiatry." (Introduction)
"We found that weakened neural representations of emotional signals were linked to depressive symptoms. Perturbation experiments in a brain-aligned deep learning model showed that this deficit reflects overregularized emotion perception, producing a negative perceptual bias." (Abstract)
"A neurocomputational signature of this mechanism predicted depression symptom onset up to 4 years later at the IMAGEN follow-up (N = 725), was associated with both a genetic-risk variant and polygenic risk for depression, and improved depression classification in a patient cohort (STRATIFY, N = 411)." (Abstract)