编辑推荐：
为解决临床 trials 中安慰剂效应干扰药物疗效评估的问题，研究人员利用静息态 EEG 和 DCNN 开展安慰剂反应预测研究。在 EMBARC 数据集获 69% 平衡准确率，且模型预测与年龄、外向性等临床特征相关，为优化临床试验设计提供新视角。
在临床研究领域，安慰剂效应一直是困扰科研人员的难题。尤其是在抑郁症等精神疾病的药物研发中，高达 30%-40% 的安慰剂反应率（），常常导致随机对照试验失败，1难以准确评估药物的真实疗效。传统方法难以精准预测个体对安慰剂的响应，这使得临床试验设计效率低下，样本量需求大，且容易掩盖药物的真实效果。因此，如何通过客观的生物标志物预测安慰剂反应，成为优化临床试验、加速药物开发的关键科学问题。
为了攻克这一难题，来自 Brainify.AI 和剑桥大学（Centre for Mathematical Sciences, University of Cambridge）的研究团队开展了一项具有突破性的研究。他们利用静息态脑电图（resting-state EEG, rsEEG）和深度卷积神经网络（deep convolutional neural network, DCNN）技术，构建了首个基于神经信号的安慰剂反应预测模型。该研究成果发表在《Neuroinformatics》上，为理解安慰剂效应的神经机制和临床应用提供了全新视角。
关键技术方法
研究主要采用以下技术方法：
- 多数据集整合：基于 EMBARC 研究的安慰剂组数据（141 名抑郁症患者）构建模型，并在 CAN-BIND 和 LEMON 两个独立数据集（包含临床和健康样本）中进行外部验证（）。
- EEG 预处5理与特征提取：通过带通滤波、独立成分分析（ICA）去除眼动和肌肉伪影，将信号分割为 16 秒片段，采用 19 通道国际 10-20 系统电极布局（-）。
- 数据增强6与7模型训练：利用高斯噪声注入、通道重参考等技术扩充数据，通过五折交叉验证训练 DCNN 模型，优化参数以避免过拟合（-）。
- 相关性分9析10：结合 CAN-BIND 和 LEMON 的临床元数据（年龄、性别、人格特质等），通过皮尔逊相关和混合效应模型分析预测结果与行为特征的关联（-）。
研究结果11 12
1. DCNN 模型的预测性能
在 EMBARC 安慰剂组数据中，经过微调的 DCNN 模型实现了 69.6% 的平衡准确率（Balanced Accuracy, BAcc）和 0.728 的 ROC 曲线下面积（AUC），显著优于未预训练的基线模型（-）。这表明 DCNN 能够有效捕13捉14EEG 信号中与安慰剂反应相关的神经模式。
2. 预测结果与临床特征的相关性
- 年龄：在三个数据集中均发现模型预测值与年龄呈显著负相关（EMBARC: r=-0.46, p<0.001；CAN-BIND: r=-0.35, p<0.001；LEMON: r=-0.29, p<0.001），提示年轻个体更易产生安慰剂效应（）。
- 人格特质16：在 LEMON 数据集中，外向性（extraversion, r=0.14, p<0.05）、感觉寻求（sensation seeking, r=0.22, p<0.005）与预测值正相关，而自尊（self-esteem, r=-0.13, p<0.05）和外向思维（external thinking, r=-0.15, p<0.05）呈负相关（）。
- 认知功能17：CAN-BIND 中符号数字编码测试（Symbol Digit Coding Test, r=0.10, p<0.05）和注意力转移测试（Shifting Attention Test, r=0.10, p<0.05）的反应速度与预测值正相关，提示更快的认知处理速度可能与安慰剂响应相关（-）。
3. 18神19经信号的频率特异性
回归分析显示，前额叶（F8、Fz）和中央区（Cz、C3）的 θ 波（4-8 Hz）和低 β 波（13-20 Hz）功率与安慰剂预测值呈负相关，提示这些频段的神经活动可能是安慰剂响应的潜在生物标志物（-）。
研究结论12与15意义
本研究首次通过 DCNN 模型实现了基于 EEG 的安慰剂反应预测，验证了神经信号与临床特征的跨数据集一致性关联。主要结论包括：
- 技术有效性：DCNN 无需手动特征提取，可直接从原始 EEG 中学习复杂模式，为神经精神疾病的预测建模提供了高效工具（-）。
- 生物标志3物8发现：年龄、外向性、认知速度及特定脑电频段（θ 和低 β 波）可作为安慰剂易感性的预测指标，为个体化临床试验设计提供了新靶点（-）。
- 临床应用16潜20力：通过预测安慰剂响应者，可在试验设计中分层参与者，减少样本量需求，提高检测药物真实疗效的统计效力（-）。
尽管研究存在外部2数4据集缺乏直接安慰剂响应标签、跨站点异质性等局限，但首次建立了 EEG-DCNN 预测模型与多维度临床数据的关联，为跨疾病领域的安慰剂效应研究奠定了基础。未来研究若能纳入更多临床场景和直接安慰剂响应数据，将进一步推动该模型向临床转化，助力精准医学和高效药物开发。
