《NeuroImage》：Multi-Scale EEG Analysis Identifies Neural Circuit Signatures of iTBS Responsiveness in Major Depressive Disorder
编辑推荐：
本研究针对重复经颅磁刺激(iTBS)治疗重度抑郁症(MDD)疗效个体差异大的临床难题，整合多尺度卷积循环神经网络(MCRNN)与动态因果建模-参数经验贝叶斯(DCM-PEB)分析，通过对198例患者静息态脑电图(rsEEG)和事件相关电位(ERP)的深度挖掘，成功构建了准确率达91%的疗效预测模型，并揭示了响应者特有的前额-颞叶神经环路特征，为抑郁症精准神经调控提供了新型生物标志物和机制见解。
在精神疾病治疗领域，重度抑郁症(Major Depressive Disorder, MDD)犹如一座难以逾越的大山，其生物学异质性导致治疗反应千差万别。特别是近年来兴起的经颅磁刺激(Transcranial Magnetic Stimulation, TMS)技术，虽然为抑郁症患者带来了新的希望，但疗效差异却令人困惑——有些患者症状显著改善，而另一些却几乎毫无反应。这种个体差异使得临床医生难以在治疗前预测疗效，不仅造成医疗资源浪费，更延误了患者的治疗时机。
面对这一挑战，浙江大学医学院附属第二医院精神科的研究团队在《NeuroImage》上发表了一项创新性研究。他们巧妙地将深度学习与计算神经科学相结合，试图解开iTBS疗效差异的神经密码。研究人员提出两个关键科学问题：静息态脑电图(resting-state EEG, rsEEG)中是否隐藏着预测iTBS疗效的特征？不同疗效亚型患者的大脑网络连接是否存在本质差异？
为回答这些问题，研究团队设计了严谨的两阶段实验。他们招募了198名符合DSM-5诊断标准的MDD患者，分成训练集(125人)和验证集(73人)两个独立队列。所有患者在接受iTBS治疗前完成了详细的临床评估和脑电采集，包括静息态和箭头Flanker任务下的脑电记录。iTBS治疗靶点定位在左侧背外侧前额叶皮层(left dorsolateral prefrontal cortex, L-DLPFC)，治疗反应定义为汉密尔顿抑郁量表(Hamilton Depression Rating Scale, HDRS-24)评分下降≥50%。
技术方法上，研究团队主要运用了多尺度卷积循环神经网络(Multi-scale Convolutional Recurrent Neural Network, MCRNN)对55,476个静息态脑电时段进行深度特征提取，并采用动态因果建模-参数经验贝叶斯(Dynamic Causal Modeling with Parametric Empirical Bayes, DCM-PEB)分析Flanker任务诱发的事件相关电位(Event-Related Potentials, ERP)，以揭示不同疗效亚型患者在额-颞-顶-运动神经环路中的有效连接差异。样本来源于浙江大学医学院附属第二医院2021-2023年收治的抑郁症患者队列。
3.1. iTBS疗效预测
研究结果显示，MCRNN模型在训练集和验证集均表现出色，曲线下面积(Area Under the Curve, AUC)分别达到0.91和0.86。这表明基于静息态脑电的深度学习模型能够可靠地区分iTBS响应者和非响应者。值得注意的是，198名患者中73人(36.8%)达到响应标准，41人(20.1%)达到缓解标准，响应率与既往自然观察性研究一致。
3.2. 临床症状轨迹
通过比较两种亚型的临床症状改善模式，研究发现响应者在精神病性症状因子上的基线评分显著低于非响应者。治疗后，响应者在抑郁核心症状、动机缺失、焦虑和睡眠障碍等多个维度均表现出显著改善，而非响应者的精神病性症状改善有限。这一发现印证了伴有精神病性特征的抑郁症患者更易发展为难治性抑郁的临床观察。
3.3. 有效连接差异
DCM-PEB分析揭示了令人振奋的神经机制差异。在iTBS响应者中，抑制性连接仅局限于左侧眶额叶皮层(left orbitofrontal cortex, LOFC)到左侧颞上回(left superior temporal gyrus, LSTG)的通路以及LSTG的自我抑制。而非响应者则表现出更为复杂的抑制网络，包括LSTG到LOFC的反向抑制、右侧中央后回(right postcentral gyrus, RPCG)到LOFC的抑制、右侧辅助运动区(right supplementary motor area, RSMA)到右侧眶额叶皮层(right orbitofrontal cortex, ROFC)的抑制以及双向的LSTG-ROFC抑制。这种复杂的网络抑制模式可能解释了非响应者症状改善有限的原因。
研究结论与讨论部分强调，这项研究的创新之处在于将预测性生物标志物与机制性神经环路分析有机结合。深度学习模型不仅实现了高精度的疗效预测，更重要的是，它成功识别出具有临床和神经生理学意义的抑郁症亚型。这些亚型在基线症状特征、治疗反应轨迹和脑网络连接模式上均表现出系统性差异。
从机制角度看，响应者相对简单的额叶-颞叶抑制架构可能更易被iTBS调节，而非响应者广泛分布的抑制网络则需要更具针对性的干预策略。特别是颞叶到前额叶的反向抑制模式，提示对于这类患者，可能需要联合后部皮层靶点的多靶点刺激方案。
这项研究的重要意义在于为推动抑郁症精准治疗提供了可行路径。基于静息态脑电的预测模型具有临床推广的潜力，而神经环路特征的阐明则为开发新型治疗策略提供了理论基础。未来研究如能结合治疗前后脑电变化、扩大多中心验证样本，并探索时间动态性的连接变化，将进一步深化我们对神经调控治疗机制的理解，最终实现抑郁症治疗的真正个性化。
