本页面由土耳其语自动翻译。 阅读原文

本页是借助人工智能编写的土耳其语摘要，介绍在第26届世界精神病学大会上报告的研究。研究归报告作者所有；引用时请查阅原始来源。

SO384

结合年龄分层建模与可解释人工智能，预测抑郁症的治疗抵抗性和自杀风险

INTEGRATING AGE-STRATIFIED MODELING AND EXPLAINABLE AI FOR PREDICTING TREATMENT REFRACTORINESS AND SUICIDE RISK IN DEPRESSION

基于年龄分层的TabNet模型利用FDG-PET数据预测难治性抑郁症和自杀风险，其准确率高于传统机器学习方法，并识别出各年龄组不同的代谢模式。

本研究基于难治性抑郁症（treatment-resistant depression，TRD）的脑机制随年龄组而变化的假设，旨在评估年龄分层建模能否通过捕捉年龄特异性代谢模式来改善预测。研究纳入台北荣民总医院的245例重性抑郁障碍患者（21—82岁），分为三组：青年组（25岁以下；7例非难治性、17例TRD）、成人组（25—49岁；26例非难治性、58例TRD）和较高年龄组（50岁及以上；56例非难治性、81例TRD）。从自动解剖标记（AAL）图谱的116个脑区提取静息态FDG-PET数据，进行标准摄取值（SUV）校正和最小—最大归一化；将基于深度表格学习架构TabNet构建的年龄分层框架与传统机器学习模型（SVM、RF、XGBoost）进行比较，采用SMOTE、Mixup及类别平衡损失函数处理类别不平衡问题，并利用SHAP（SHapley Additive exPlanations，Shapley加性解释）实现模型解释。TabNet在所有指标上均优于传统模型；在治疗抵抗性预测中，青年组、成人组和较高年龄组的准确率分别为75.33%、71.62%和77.80%。在自杀风险预测中，青年组、成人组和较高年龄组的准确率分别为86.00%、80.19%和70.36%。SHAP分析揭示了年龄特异性的神经生物学特征：青年患者的感觉整合和社会认知网络（顶叶、颞极）存在差异，成人患者的前额叶皮质、前扣带皮质与边缘系统之间存在功能失调，较高年龄组则表现为皮质下结构和小脑受累（壳核、小脑）。作者指出，年龄是影响TRD表现及模型性能的关键调节变量（moderator）；按年龄对患者进行分层，并使用TabNet等可解释人工智能，不仅能够提高预测准确率，还能识别年龄特异性的病理机制。

全部 WCP 2026 摘要