抑郁症是一类常见的精神障碍类疾病。疾病伴有高致残率,会对患者身心造成严重危害。但疾病的病理机制未知,抗抑郁药物对病人的治愈率不高。在既往的静息态功能核磁共振研究中,对抑郁症治疗评估的大部分研究都假设信号是近似平稳的,鲜有人研究信号的动态属性在治疗评估中的作用。基于此,本文主要围绕基于社区探测算法的动态模块化展开,从脑区自身的动态属性和脑区间的动态相关性的不同角度分别设计特征。同时,论文进一步研究了特殊时间段下这两类特征的分析方法。最后,我们分析这些特征在治疗评估中的作用,旨在为抑郁症治疗的临床评估提供更有效的辅助依据。具体内容概况如下:1.利用动态模块化特征评估抑郁症治疗前后的脑网络的改变。基于社区化探测算法,分别计算抑郁症患者治疗前后和健康对照组的的动态模块化矩阵以及对应的模块化状态转变特征灵活度(flexibility)。特征灵活度较好的表征了单个区域在模块化中的状态转变的活跃程度。用置换检验或配对置换检验统计灵活度在3组之间的差异。发现治疗后和健康人无显著差异,治疗前和健康人在默认模式网络和认知控制网络有显著差异。治疗8周实验组治疗前和治疗后在默认模式网络有显著差异,治疗3个月组治疗前和治疗后在默认模式网络和认知控制网络都存在显著差异。且患者治疗前后默认模式网络和认知控制网络的灵活度值与患者的汉密尔顿17项抑郁量表总分存在显著线性相关性。所以,灵活度相对之前研究的绝大多数指标,从信号动态属性的角度更好的阐述了抑郁症治疗前后患者脑网络改变的差异。2.利用就医但未治疗抑郁症患者的动态模块化特征预测患者艾司西酞普兰治疗的早期效应。模块忠诚度矩阵(Module allegiance matrix)矩阵表征动态模块化矩阵中各区域间的相关性。跳跃矩阵(Jump matrix)表征动态模块化矩阵中各区域间相关性的变化活跃程度。在原有灵活度,模块忠诚度矩阵等特征的基础上,引入跳变矩阵的方法,探求脑区间在相邻时间窗内的非绑定关系对药物早期疗效的预测效果。基于支持向量机分类器,上述指标被用于预测就医但未治疗的抑郁症患者艾司西酞普兰治疗的早期效应。结果显示,抑郁症患者就医但未治疗状态下的灵活度和跳变矩阵预测患者未来接受艾司西酞普兰治疗早期效应的准确率都达到了79.41%,并且结果鲁棒。分类器使用灵活度区分早期治疗起效组和无效组发现的差异在脑区水平,而跳变矩阵的差异在网络水平。同时,模块忠诚度矩阵进一步研究了灵活度发现的差异脑区,找到了其中更重要的核心脑区。所有以上特征从动态的不同角度共同为就医但未治疗的患者合适服用艾司西酞普兰提供了有效的辅助依据。3.利用特殊时间段内动态模块化特征预测就医但未治疗抑郁症患者接受艾司西酞普兰治疗的早期效应。分析模块化矩阵在全时长上灵活度和跳跃矩阵值的分布,我们发现灵活度和跳跃矩阵的值主要集中在少数时间窗内。这说明脑区自身的动态活跃程度和脑区间相关性变化的活跃程度在全时长上是不稳定的,主要集中于少数时间段内。本章先研究了治疗有效组和无效组在稳定性上的差异,发现2组有着相似的不稳定模式。随后,本章分别研究2组在全脑灵活度最强的k个时间窗内的差异和全脑跳跃矩阵跳变最剧烈的k个时间窗内的差异。结果表明,灵活度属性的前2~5个状态转变最剧烈的相邻时间窗内预测患者使用艾司西酞普兰治疗起效的分类效果达到80%以上,最高分类效率有88.24%。同步收集的两个外中心的测试集结果上也分别得到了86.49%和85.29%的识别准确率。同时,跳变矩阵在前3~5个跳变最剧烈的相邻时间窗内存在较好的结果,最高分类准确率有94.12%。外中心的测试集也分别得到了81.08%和82.35%的识别准确率。所以,全脑特殊时间段内的动态特征能更有效的反映个体脑活动水平的差异,为服用艾司西酞普兰提供了更有效的辅助依据。