Biological Psychiatry子刊|新乡医学院于毅/赵宗亚团队基于可解释机器学习和EEG预测rTMS治疗抑郁症的疗效

近年来，重复经颅磁刺激（rTMS）作为一种非侵入性脑刺激技术，逐渐成为治疗抑郁症（MDD）的有效方法之一。但其治疗效果存在个体差异，部分患者对治疗无明显反应，这限制了rTMS的广泛应用。准确预测哪些患者对rTMS治疗有良好反应（Responder），哪些患者可能无效(NonResponder)，是临床上亟待解决的问题。因此，寻找可靠的基线生物标志物来预测rTMS的治疗反应，具有重要的临床意义和研究价值。

近日，新乡医学院于毅/赵宗亚团队在Biological Psychiatry: Cognitive Neuroscience and Neuroimaging发表了题为“Predicting Treatment Response of rTMS in Major Depressive Disorder Using a Explainable Machine Learning Model Based on EEG and Clinical Features”的研究性论文。该研究尝试把多种EEG特征和临床量表输入到多种机器学习模型中以实现Responder和NonResponder的高精度分类。结果表明，基于PLV功能连接和临床特征相结合的特征集+SVM机器学习模型，可以更有效实现Responder和NonResponder的分类，其AUC和ACC值分别高达0.9982和97.33%。

方法

本研究共纳入117例MDD，分为两组：74例患者对rTMS有反应，43例患者对rTMS无反应。另外纳入了47例健康对照。具体研究流程如图1所示。

图1方法流程图

结果

在本研究中，为了更好地区分Responder和NonResponder，使用了7种机器学习模型，测试了8个特征集:(1) Coherence和临床特征，(2) PLV和临床特征，(3) PDC和临床特征，(4) KC和临床特征，(5) ApEn和临床特征，(6) FuzzyEn和临床特征，(7) SampEn和临床特征，(8) LZC和临床特征。根据分类结果来看，PLV和临床特征结合的特征集在各分类模型中取得了较好的分类性能，其中，基于SVM的平均分类性能最好(ACC=97.33%，SEN=98.67，SPE=96%，F1=97.42%，AUC=0.9982)。

在PLV和临床特征结合的特征集中，采用SHAP方法来解释每个特征对模型预测的贡献情况（见图2）。结果发现，PLV-delta (F3-P7)、PLV-delta (F3-P4)、PLV-beta (P3-P8)、PLV-delta (T7-Cz)对模型预测具有较大的影响，在预测Responder和NonResponder时起到关键作用。

图2 PLV和临床特征结合的SHAP分析图

最后，对14个显著影响模型预测的PLV特征进行了统计比较。结果显示（见图3），与NonResponder相比，Responder在delta波段的额叶和顶叶区域（F3-P7、F3-P4）之间表现出明显更高的相位同步化。相比之下，与NonResponder，Responder在顶叶区（P3-P8）之间、额叶和顶叶区（F4-P7）之间的beta带以及颞叶和顶叶区（T7-Cz）之间的delta带的相位同步性显著降低。统计分析证实了两组之间与模型预测最相关的前四个PLV特征存在显著差异，表明该研究的特征选择方法在有效区分Responder和NonResponder的连通性模式方面的可靠性。

图3 Responder和NonResponder之间具有显著差异的PLV功能连接特征：(A)delta波段、(B)theta波段、(C)Alpha波段、(D)beta波段。（红线表示Responder强于NonResponder，绿线表示Responder弱于NonResponder，黑线表示两者之间没有差异）

结论

该研究开发了一个基于脑电和临床特征的多模态可解释的预测框架来预测MDD患者的rTMS治疗反应。研究结果表明，将脑电图与临床特征相结合可能获得较好的治疗反应预测性能。

新乡医学院赵宗亚副教授、硕士研究生冉湘莹为该论文共同第一作者，于毅教授和赵宗亚副教授为该论文的共同通讯作者。据悉，Biological Psychiatry-Cognitive Neuroscience and Neuroimaging为国际精神医学领域著名期刊，中科院最新分区为医学/精神病学2区，最新影响因子为5.7分，五年平均影响因子为6.1分。