深度图学习揭示多模态脑网络特征，精准预测抑郁症治疗反应

《Molecular Psychiatry》：Deep graph learning of multimodal brain networks defines treatment-predictive signatures in major depression

为解决预测抗抑郁药疗效困难的问题，研究人员开展了利用多模态神经影像和深度学习框架预测抑郁症（MDD）患者对舍曲林和安慰剂治疗反应的研究。结果显示模型预测准确率良好，还确定了关键脑区和网络。该研究为指导靶向干预提供依据。

　　抑郁症（Major Depressive Disorder，MDD）作为全球重大心理健康问题，影响着数以百万计的人群。尽管血清素再摄取抑制剂等抗抑郁药物广泛使用，但治疗效果差异显著，许多患者无法得到充分缓解。这一现状迫切需要深入探究不同治疗反应背后的生物学和心理学机制，以制定个性化治疗策略。而大脑网络变化被认为与治疗效果密切相关，利用多模态神经影像技术，结合先进的数据驱动方法，有望加深对影响治疗结果的神经生物学过程的理解，为精准医疗提供支持。

在此背景下，美国里海大学（Lehigh University）等机构的研究人员开展了一项重要研究。该研究成果发表于《Molecular Psychiatry》杂志。研究人员利用建立抗抑郁反应临床护理调节因子和生物标志物（Establishing Moderators and Biosignatures of Antidepressant Response in Clinical Care，EMBARC）研究中的数据，这是一项综合的、结合神经影像的、安慰剂对照的随机临床试验，旨在探索抑郁症的相关机制。

研究人员采用了多种关键技术方法。首先，收集了 130 名接受舍曲林治疗和 135 名接受安慰剂治疗的 MDD 患者的静息态功能磁共振成像（Resting-state Functional Magnetic Resonance Imaging，rs-fMRI）和脑电图（Electroencephalography，EEG）数据。对于 rs-fMRI 数据，经过一系列严格的预处理步骤，包括校正、颅骨剥离、空间归一化等；EEG 数据同样进行了降采样、去除噪声、滤波等预处理，并通过源定位转换为源空间信号。之后，分别计算两种模态的功能连接性，为了增加样本量和防止过拟合，使用了通用正交基提取（Common Orthogonal Basis Extraction，COBE）算法进行数据增强。最后，开发了基于图神经网络（Graph Neural Networks，GNNs）的深度学习模型，融合 fMRI 和 EEG 数据，以预测个体症状变化。

在研究结果方面：

1. 多模态预测治疗结果：研究人员假设不同 EEG 频段包含与治疗预测相关的独特判别信息，因此将不同频段的 EEG 数据与 fMRI 结合训练模型。结果发现，结合 theta、alpha 和 beta 频段 EEG 与 fMRI 数据有显著预测性，其中 alpha 频段预测准确性最高。在舍曲林组和安慰剂组中，模型预测的 HAMD₁₇评分变化与实际变化有显著相关性（舍曲林组：R²=0.31，Pearson's r=0.58，p=5.36×10^-13；安慰剂组：R²=0.28，Pearson's r=0.56，p=1.66×10^-12），且预测准确性经 1000 次随机置换检验得到验证。
2. 多模态与单模态预测比较：对比多模态和单模态预测模型性能，发现多模态融合模型优于单模态模型。同时，研究人员对只有单模态神经影像数据的情况进行适应性研究，训练了独立的多层感知器（Multilayer Perceptron，MLP）回归器，结果表明仅使用 alpha EEG 进行单模态预测时，其结果仅略逊于多模态预测，显示出一定的临床应用价值。
3. 治疗结果预测的脑区：通过分析，确定了不同治疗组中对预测重要的脑区。在舍曲林组，fMRI 突出了颞叶的部分区域，EEG 则指出额叶等区域；在安慰剂组，fMRI 和 EEG 也分别确定了顶叶、额叶等相关区域。在网络层面，不同网络在不同治疗组和模态中也有不同表现。
4. 关键脑连接：研究还确定了重要的脑连接。舍曲林组和安慰剂组在 fMRI 和 EEG 连接组中都有显著的正负连接。在网络层面，不同网络的连接强度在不同治疗组和模态中存在差异，如舍曲林组中边缘系统网络（Limbic Network，LN）在 fMRI 和 EEG 中都有较高的内部连接强度，且 LN 与背侧注意网络（Dorsal Attention Network，DAN）在 fMRI 中有显著的网络间连接强度。
5. 脑网络特征与 MDD 临床症状的关联：应用训练好的多模态模型预测临床量表得分，结果显示在舍曲林组和安慰剂组中，预测结果与实际临床量表得分有显著相关性，这表明脑网络特征与临床症状密切相关。
6. 已识别特征的临床意义：根据预测反应对患者进行分组，发现预测偏好与分配治疗一致的患者，其缓解率和 HAMD 实际降低率都显著更高，这为治疗选择提供了有力的临床依据。

研究结论和讨论部分指出，该研究开发的基于 GNN 的深度学习框架，有效整合了 fMRI 和 EEG 的功能连接性，在预测舍曲林和安慰剂治疗反应方面表现出色。模型不仅能够准确预测，还通过可解释性分析确定了常见的跨模态脑模式以及特定于不同治疗的生物标志物，加深了对神经回路的理解。研究结果还强调了多模态融合在提高预测性能方面的重要性，尽管收集 fMRI 和 EEG 数据成本较高，但具有重要价值。此外，研究也指出了局限性，如样本量相对深度学习模型训练需求较小，未来需要更大样本量和复制研究，还可考虑纳入纵向数据、融合更多数据类型以及探索更先进的深度学习技术，以应对临床数据的异质性。总体而言，该研究通过多模态神经影像技术，丰富了对精神科抗抑郁药物的理解，为心理健康治疗提供了新的见解和方向，对未来精准医疗的发展具有重要意义。