基于EEG信号动态位模式(DPSB)的抑郁症SSRI与rTMS疗法疗效预测研究

本研究针对抑郁症治疗响应率低（约50%）的临床难题，提出创新性动态位模式(DPSB)技术，通过提取EEG信号的振幅(A)和相位(?)特征，结合浅层前馈神经网络(FFNN)，实现SSRI和rTMS疗法疗效预测（准确率>99%）。该研究为精神科医生提供了可视化生物标志物和决策支持工具，突破传统试错疗法的局限性。

　　

抑郁症已成为全球第四大致残疾病，每年导致近百万人自杀。尽管选择性5-羟色胺再摄取抑制剂(SSRI)和重复经颅磁刺激(rTMS)是FDA批准的一线疗法，但约半数患者对治疗无响应。传统试错疗法平均浪费3-5个月关键窗口期，在此期间患者自杀风险显著升高。现有预测方法依赖经验性临床评估或复杂神经影像分析，其准确率普遍低于90%，且缺乏可视化生物标志物。

为解决这一难题，Universiti Teknologi PETRONAS的Hesam Akbari团队在《Computers in Biology and Medicine》发表研究，开发了基于动态位模式(DPSB)的创新算法。该技术通过分析脑电图(EEG)信号中连续比特的非线性融合特征，提取振幅(A)和相位(?)两个关键生物标志物，结合浅层前馈神经网络(FFNN)，实现对SSRI和rTMS治疗响应的精准预测。研究采用Mumtaz公共数据库和Atieh医院私有数据库，通过10折交叉验证证实模型准确率分别达99.40%和99.59%，显著优于现有深度学习方法。

关键技术包括：1）DPSB特征提取算法，通过α和β参数融合构建A和?时间序列；2）混合特征选择(HFS)技术筛选最优特征组合；3）单隐藏层FFNN分类器设计；4）基于T3通道的2D可视化生物标志物分析。

【材料与方法】
研究采用Mumtaz数据库（SSRI治疗组）和Atieh医院数据库（rTMS治疗组）。EEG信号经0.5-200Hz带通滤波后分割为1024样本段，DPSB算法通过式(1)-(4)计算α、β参数，进而导出A和?特征直方图。

【结果】

1. 模型性能：在预测SSRI疗效时，T3通道表现最佳（AUC=0.99），优于传统微状态特征（82.4%准确率）；rTMS预测中α谱相关性特征被证实有效。
2. 生物标志物：T3通道的A-?二维分布显示响应者呈聚集模式，非响应者呈分散态。
3. 计算效率：FFNN推理速度比深度学习方法快17倍，内存占用减少89%。

【讨论】
该研究突破性地解决了三个临床痛点：首先，DPSB技术首次实现直接从时域EEG信号捕获非线性动力学特征，克服了傅里叶变换和小波分析的局限性；其次，提出的A-?生物标志物使医生能直观评估脑功能状态；最后，轻量级模型设计使其可部署于基层医疗机构。值得注意的是，颞叶（特别是T3通道）的预测优势与已知的抑郁症神经病理机制高度吻合。

研究结论表明，DPSB-FFNN模型不仅为抑郁症精准医疗提供新范式，其方法论框架还可拓展至其他精神障碍的疗效预测。作者已将该算法集成至临床决策支持软件，正在开展多中心验证试验。这项成果标志着精神病学向"数字生物标志物"时代迈出关键一步，为实现个体化治疗提供可靠技术支撑。