抑郁症是一种以显著持久的情绪低落为基本特征的情绪障碍类疾病，在临床症状和病程表现上具有较强的异质性，并与其他情绪障碍类疾病存在共同表征；由于其病因复杂、发病机制尚未明确，亟需客观稳定的影像学标记辅助其诊断和治疗。功能磁共振影像（fMRI）具有无创和空间分辨率高等特点，已在多项研究中被用于揭示抑郁症患者存在的异常脑功能活动和连接损伤，但在大脑功能的动态变化过程中，抑郁症患者是否存在特异性的动态连接模式，以及是否与特定的脑结构特征协同变化仍不清楚。且随着抑郁症大数据的不断发布，能否基于先进的数据驱动和深度学习算法，利用fMRI数据挖掘抑郁症临床诊断和亚型识别的影像学标记是当前研究的热点和难点，有待深入探索。由此启发，本文基于磁共振影像从大脑功能动态变化、脑功能结构协同共变、疾病分类和亚型识别四个方面深入研究了抑郁症患者，主要创新性工作归纳如下：

1．采用基于组信息的独立成分分析（GIG-ICA）和滑动时间窗方法，从全脑动态功能连接变化的视角系统地探索了抑郁症动态功能网络连接（dFNC）及其网络拓扑属性的异常。结果发现1) 大脑主要存在五种不同的动态功能连接模式。相比健康对照被试，重性抑郁症患者在和自我沉思相关的弱连接模式下停留更久的时间；2) 在全脑弱连接模式下，抑郁症患者的大脑网络全局效率、节点强度和节点中心性显著降低；3) 抑郁症患者在各状态下的异常功能连接主要与前额叶、小脑以及躯体运动网络相关，且不同状态下的共变连接和抑郁症患者的症状严重性、执行功能和空间记忆能力显著相关。本研究创新性地基于数据驱动算法探索了重性抑郁症全脑动态功能网络连接的异常，发现和抑郁症相关的全脑弱连接模式，对理解抑郁症脑功能网络异常的神经机制具有重要启发意义。

2．基于多变量典型相关分析联合动态功能连接和灰质体积特征，从多模态脑影像融合的角度探讨了抑郁症患者脑功能结构协同共变的关系，并在两个独立数据集上验证了抑郁症患者脑功能结构共变模式的稳定性和一致性。结果发现抑郁症患者脑功能结构的共变成分主要包括异常的额顶网络连接以及背外侧前额叶、海马、壳核、丘脑和颞下回下降的灰质体积。此外，相比静态功能连接，海马和丘脑下降的灰质体积与动态功能连接显著相关。本研究从全脑动态功能连接和灰质体积融合共变这一新的角度发现了背外侧前额叶和颞下回等脑区功能结构的异常，有助于对抑郁症功能结构协同共变的神经病理学基础更完整的理解。

3．基于最新的原型表征学习技术，结合大脑网络拓扑属性，提出了基于脑网络的卷积原型学习算法，能够自动为每个类别学习类间分离、类内紧凑的原型表征；同时结合saliency map的深度可解释性方法，实现对输入特征重要性的评估。将该模型应用于抑郁症分类研究发现: 1) 相比三个传统分类方法和两个深度学习网络，脑网络卷积原型学习算法对抑郁症的分类准确率提高2.4~7.2%；2) 对抑郁症分类贡献较大的功能连接主要位于皮下核团网络、额顶网络和默认网络，特别是位于前额叶皮层-皮下核团环路之间的连接。本研究提出了新的基于脑网络的卷积原型学习算法，提高了抑郁症的分类准确率并揭示了前额叶皮层-皮下核团环路在抑郁症分类中的重要性。

4．基于抑郁症大样本数据集（n=971），采用非负矩阵分解算法开展了抑郁症亚型识别，系统地研究了各亚型全脑功能连接的异质性，及其在临床电休克抗抑郁治疗中的疗效响应差异。结果发现1) 三种稳定复现的抑郁症亚型，其中额顶网络连接亚型和焦虑症状相关；2) 三种抑郁症亚型的跨数据集泛化性的平均分类准确率为89.2%；3) 更重要的是，额枕网络连接亚型在电休克抗抑郁治疗中表现出接近100%的响应率，显著高于其他两个抑郁症亚型（30%~70%），并在两个独立的电休克抗抑郁治疗数据集上得到验证。本研究基于大样本抑郁症数据集开展了基于数据驱动的亚型分析，发现了稳定复现的三种抑郁症亚型，表明了不同功能连接模式的抑郁症亚型可能表现出不同的临床症状和治疗响应，为理解抑郁症临床症状的个体差异性提供了新视角以及对推进抑郁症个体化临床诊疗具有重要指导意义。