1.结构影像学：当前结构影像学研究已从单一脑区定位转向全脑网络整合，并强调跨疾病谱系的比较。高场强（7.0 T）磁共振成像（magnetic resonance imaging，MRI）的应用显著提升了灰质微结构（如皮质厚度、体积、曲率）的检测精度，提示精神疾病存在脑网络异常。前额叶-丘脑-小脑环路的结构失调不仅是精神分裂症的核心病理特征（与阳性症状和认知缺陷显著相关） ^{［ 3 , 4 ］} ，在重度抑郁症中也表现为默认模式网络与前扣带回的结构连接减弱，且与快感缺失症状相关 ^{［ 5 ］} 。不同疾病的海马亚区呈现出特异性改变。抗精神病药治疗前后16周的首次发病精神疾病患者的海马亚区体积进行性减小，特别是在海马CA1、前海马皮质、CA4及齿状回分子层 ^{［ 6 ］} 。抑郁症患者左海马旁回灰质体积与症状严重程度相关 ^{［ 7 ］} ，慢性抑郁症患者的海马裂扩张和CA区萎缩可能反映神经元丢失的累积效应 ^{［ 5 ， 8 ］} 。基于大样本数据驱动的贝叶斯模型（1 079例抑郁症患者，1 215名健康对照者）分析显示，抑郁症患者存在3种潜在形态学异常因素，分别为感觉皮质的厚度增加和眶额皮质的厚度降低、扣带回-岛盖皮质厚度和皮下体积的减小、社交情感网络皮质厚度的增加 ^{［ 5 ］} 。

灰质体积改变是焦虑症中最广泛研究的结构指标。早期基于体素的形态学测量研究主要关注特定脑区的体积变化，发现了多个与焦虑症病理机制相关的关键区域。1项纳入24项研究（包括906例焦虑症患者和1 003名健康对照者）的基于体素的荟萃分析显示，与健康对照者相比，焦虑症患者左侧顶枕回、右侧角回、左侧前中央回和右侧舌状回的灰质体积增加，双侧岛叶、双侧丘脑、左侧尾状核和右侧腹前额叶的灰质体积减小，这些脑区涉及情绪调节、感觉整合和认知控制等多个功能领域 ^{［ 9 ］} 。岛叶作为感知内部身体状态和整合情绪信息的关键节点，在焦虑症中其灰质体积减小。这一发现与焦虑症患者内感受敏感和情绪调节困难的临床症状相吻合。同样，前额叶区域（尤其是腹侧部分）的灰质体积减小可能与焦虑症患者执行功能和情绪调节能力受损有关。

孤独症谱系障碍（autism spectrum disorder，ASD）作为一类复杂的神经发育性疾病，大规模数据共享计划极大地推动了ASD神经影像研究的进展。1项基于中西方跨文化大规模脑影像数据库的研究显示，ASD患儿在脑形态上明确分为两种亚型：L亚型表现为广泛性脑区体积缩小，异常率最高出现在颞中回和额极等区域；H亚型则显示特定区域（如脑岛和颞横皮质）体积增大。L亚型ASD患儿年龄更小，但2组在认知行为量表评分上差异无统计学意义 ^{［ 10 ］} 。优化后的支持向量机模型对这两种亚型的分类准确率达95%，扣带回峡部、内嗅皮质、楔前叶和颞中回等区域对亚型区分贡献最大 ^{［ 10 ］} 。这些区域主要涉及高级认知功能加工处理的网络，提示不同亚型可能存在不同的功能网络损害环路。

2.功能影像学：目前功能影像学也从静态连接转向结合动态分析与跨诊断的研究。传统静态连接假设大脑网络状态恒定，而动态分析通过滑动时间窗捕捉毫秒级波动来分析脑功能连接在疾病状态下的变化。同时，尝试以维度症状为锚点寻找神经基础和进行生物学分类。采用静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rs-fMRI）对精神障碍患者的认知功能研究显示潜在的4种认知特征：与对照组具有认知可比性、中度受损-1型、中度受损-2型和严重受损 ^{［ 11 ］} ，这些特征显示了独特的连接不良模式，特别是在纹状体、默认模式、显著性和执行控制网络 ^{［ 11 ］} 。基于校准后的脑MRI多尺度结构影像组学方法可以较好地区分抑郁症、阈下抑郁症与健康对照者，楔叶、小脑（6/7b/10小叶、小脑蚓4/5区）的高权重影像组学特征在抑郁症的病理生理机制中起到重要作用 ^{［ 12 ］} 。跨诊断研究显示，精神疾病患者的全脑聚类系数显著降低，左内侧额上回-右侧前扣带回连接异常与精神分裂症阳性症状有关，左侧前扣带回-右侧前扣带回连接异常是双相障碍中躁狂发作的拮抗因素，并且精神分裂症在默认网络中右内侧额上回-左内侧额上回-右侧前扣带回和左侧前扣带回的功能连接下降 ^{［ 13 ］} 。抑郁症患者的全脑连接性在感觉运动/视觉网络中减弱，而在默认模式网络中增强 ^{［ 14 ］} 。1项基于坐标网络映射方法，将焦虑症患者脑灰质萎缩坐标作为种子点，利用大样本人脑rs-fMRI数据计算种子点的全脑功能连接图的研究显示，焦虑症患者的灰质萎缩存在高度异质性，这些异质性萎缩能够通过“坐标网络映射”定位到一个由浅表杏仁核定义的共同网络中 ^{［ 15 ］} 。该类异质性萎缩在焦虑脑网络中表现出更强的功能连接，为网络与焦虑症状之间的因果关系提供了强有力的证据 ^{［ 15 ］} 。

有研究者结合静态/动态功能连接分析和规范模型建模，发现ASD有2种稳定的亚型：亚型1（枕叶-小脑网络为主导）在枕叶网络和小脑网络中表现出多层次的功能连接正偏移，在额顶网络、默认模式网络和扣带回-岛盖网络中表现出负偏移；亚型2（额顶-默认模式-扣带回-岛盖网络为主导）则呈现出完全相反的偏移模式 ^{［ 16 ］} 。除了传统的MRI，新型影像学技术也为ASD研究提供了新的视角。1项采用光学相干断层扫描血管成像技术的研究显示，ASD患儿视盘周围血管存在特征性改变，基于这些特征构建的随机森林分类模型展现出良好的鉴别效能（曲线下面积为0.785 3） ^{［ 17 ］} 。还有研究显示视网膜血管参数与多个脑功能区存在显著关联，不仅为ASD的生物标志物研究开辟了新视角，也为理解其神经血管耦合机制提供了重要线索 ^{［ 17 ］} 。

3.白质微结构与正电子发射断层扫描（positron emission tomography，PET）：弥散张量成像联合神经突方向离散度与密度成像（neurite orientation dispersion and density imaging，NODDI）技术，可更精准评估白质损伤 ^{［ 18 , 19 , 20 ］} 。有研究显示，对电休克治疗有效的抑郁症患者其海马体积增加伴随NODDI参数的变化，尤其在齿状回，这与海马神经可塑性一致 ^{［ 20 ］} 。PET研究显示，老年抑郁症患者的脑白质中 ¹⁸F-氟代美妥昔单抗摄取升高，与年龄相关变化的模式一致 ^{［ 21 ］} 。

随着人工智能在影像组学中的运用，深度学习算法在疾病分型和疗效预测上显示出一定的优势。南加州大学的研究团队开发了一种基于纵向MRI和三维卷积神经网络的纵向模型，实现了大脑衰老速度的非侵入式精准量化，并通过显著性映射技术揭示了衰老速率的解剖学特征差异 ^{［ 22 ］} 。基于多模态影像数据，多示例学习模型区分严重精神疾病风险群体与健康对照者的ROC曲线下面积达0.82，并且在3.0 T和1.5 T磁共振扫描结果间的差异较小 ^{［ 23 ］} 。Tozzi等 ^{［ 24 ］} 根据功能MRI结合机器学习在个体水平上对脑回路功能障碍进行标准化量化，表征了6种抑郁症和焦虑症的生物型，并分析不同生物型对临床治疗的反应差异。

新近1项研究中将人工智能技术与神经影像学结合，使用常规临床采集的T ₁-结构MRI数据，融合复杂网络分析（complex network analysis，CNA）和视觉Transformer（Vision Transformer，ViT）技术，构建了关于ASD诊断的25种机器学习模型，最优联合模型CNA（K-近邻算法）-ViT（神经网络）展现出较高的诊断准确率（0.951±0.067） ^{［ 25 ］} 。ViT模型在80%的评估指标上优于传统CNA方法，但当融合两类模型时，诊断性能可进一步提升。这提示多算法融合策略能够捕获更全面的ASD神经特征，为建立客观、高效的神经发育障碍诊断范式提供了重要技术支撑 ^{［ 25 ］} 。