重度抑郁症(Major depressive disorder,MDD)作为情绪性功能障碍中的一种,严重影响患者的生活质量,并为家庭和社会带来巨大负担;在我国的发病率较高,终生患病率为3.4%。阈下抑郁症(Subthreshold depression,St D),又称亚综合征抑郁症或亚临床抑郁症,是在临床意义上具有部分抑郁症状表现但又不符合标准的重度抑郁症(MDD)表现的病症。由于现阶段对MDD和St D的发病机制尚未明确,因此MDD和St D的早期诊断尤为重要。临床上常见的MDD和St D诊断方法是临床表现和量表评估,其中最常用的量表是流行病学研究中心抑郁量表(Center for Epidemiologic Studies depression scale,CES-D)和17项汉密尔顿抑郁评定量表(17-item Hamilton depression rating scale,HAMD-17)。由于量表评估结果容易受医生和病人主观判断的影响,随着近年来神经影像学技术的快速发展,计算机辅助诊断方法成为研究的热门方向。目前计算机辅助诊断方法主要基于常规的参数(如灰质体积、局部一致性和低频振荡振幅等),或者基于机器学习或深度学习的方法建立分类模型。但以上方法存在不足:如构建模型用到的特征都是于原始的低阶的特征,其诊断准确率不高;另外基于深度学习的方法虽然可以得到较高的准确率,但由于深度学习算法是一个黑箱,研究过程中无法得知内部的情况,导致丢失了大量的影像数据信息。为了解决上述问题,本研究的主要方法将采用一种医学影像特征提取和分析技术:影像组学(Radiomics),该技术用到的特征值蕴含了大量的纹理信息,目前已经广泛被应用于肿瘤学领域,但在神经及精神类疾病中应用较少。本文的研究对象包括40例MDD、57例St D和74例NCs的结构磁共振成像。首先通过基于体素的形态学测量方法对MDD、St D和NCs之间的大脑结构有了初步的探讨,并提取全脑灰质体积进行分类。然后引出了影像组学方法的基本框架,探究了影像组学特征在MDD、St D和NCs分类诊断中的重要作用,并用支持向量机(线性核函数)、支持向量机(RBF核函数)和随机森林三种分类器建模;同时对于重要程度排名前十的特征利用斯皮尔曼相关系数(Spearman)筛选出了与临床诊断评分显著相关的特征。最后考虑到脑区之间的特征向量的关系作为新的特征,加入到影像组学特征中构建分类模型。综上,本研究将影像组学特征应用于MDD、St D的辅助分类诊断中,其准确率不仅高于原始的低阶特征的分类方法,另外通过对识别的特征的位置进行定位,可以对疾病的病灶进行识别,为后续MDD以及St D病理机制的研究提供了新的角度。