基于多模态睡眠脑电的阻塞性睡眠呼吸暂停神经生理表型解码研究

《Neurobiology of Disease》：Decoding obstructive sleep apnea phenotypes through integrated multimodal sleep EEG

　　

通过整合多模态睡眠脑电图解码阻塞性睡眠呼吸暂停表型 摘要：阻塞性睡眠呼吸暂停（obstructive sleep apnea, OSA）是一种常见的慢性睡眠相关呼吸障碍，其病理生理机制高度异质，导致患者症状表现、共病谱及长期健康结局存在显著个体差异。为解析这种异质性，研究人员建立了一种不依赖主观症状和传统呼吸暂停低通气指数（apnea-hypopnea index, AHI）的新型分类框架，旨在提供直接的生物学洞察以实现精准风险分层与靶向治疗。研究人员采用级联多模态Transformer架构，整合了人口学特征、多导睡眠图（polysomnography, PSG）宏观结构参数、脑电图功率谱密度（power spectral density, PSD）特征及血液生物标志物四类数据模态，并通过系统性聚类比较与共识验证实现了无监督表型发现。通过对309例OSA患者的分析，研究人员识别出三种稳定的神经生理学表型，其特征由独特的睡眠脑电图（electroencephalography, EEG）微结构模式所定义。其中，EEG衍生特征——包括快速眼动期（rapid eye movement, REM）及跨睡眠阶段指标——是驱动表型分离的最强因素。这些表型在睡眠宏观结构和临床特征方面表现出显著差异，尽管其平均AHI水平相似。这一以神经生理学为中心的表型分析框架揭示了核心疾病机制，并为表征OSA异质性和未来机制研究提供了数据驱动的假设生成基础。

一、研究背景与研究问题

阻塞性睡眠呼吸暂停（OSA）是一种以睡眠期间上气道反复塌陷为特征的常见慢性睡眠相关呼吸障碍，约34%的中年男性和17%的中年女性符合其诊断标准。OSA的病理生理机制具有显著异质性，解剖因素与非解剖因素（如呼吸控制不稳定、咽部肌肉反应性差及低呼吸觉醒阈值）的不同组合共同驱动了这种多样性。这种机制层面的异质性进一步导致了不同程度的低氧血症和睡眠碎片化，从而引发从日间嗜睡、心脑血管疾病到神经认知损害等一系列广泛的不良健康结局。最终，这种异质性表现为患者在症状呈现、共病谱及长期健康预后方面的巨大个体差异。

为了解析这种异质性，数据驱动的疾病亚型划分已成为一种重要方法。近年来，大量研究利用聚类分析区分不同的OSA亚型，通常基于临床症状、共病和多导睡眠图（PSG）参数将患者分为三至五个亚型。其中，“睡眠紊乱型”“轻微症状型”和“过度嗜睡型”的三分框架在不同OSA人群中得到了最一致的识别和验证。然而，现有亚型划分工作主要依赖于主观临床报告或有限的宏观生理学指标，这些方式易受报告偏倚影响，更关键的是无法阐明驱动不同临床表型的潜在神经生理学和分子机制。

值得注意的是，定量睡眠脑电图（EEG）分析，包括频谱功率和微结构分析，已被证明与OSA严重程度、夜间低氧血症及神经行为损害密切相关。从根本上讲，OSA是一种睡眠状态依赖的神经-呼吸相互作用紊乱，其核心病理生理学直接涉及脑状态的改变。因此，利用客观、高分辨率的神经生理信号，特别是EEG，可能为解析OSA异质性并直接洞悉其潜在神经机制提供有力途径。同时，无监督机器学习与多模态数据整合的进展为发现生物学锚定的疾病表型提供了新范式。系统地整合涵盖临床人口学、PSG宏观结构、多模态定量EEG（qEEG）及血液生物标志物的多维客观数据，有望绘制更全面的疾病图谱，揭示生物学一致的亚组及其复杂的神经机制。实现这一目标面临两大核心方法学挑战：如何有效融合和解码这些异质数据源，以及如何通过系统比较确定最优聚类策略以捕捉真实潜在数据结构并避免算法依赖性结果。

为解决上述挑战，研究人员建立了一个独立于主观症状和传统呼吸暂停低通气指数（AHI）的新型分类框架，目标是提供直接的生物学洞察以实现精准风险分层和靶向治疗。研究人员假设，这种数据驱动策略能够识别出具有独特神经生理学特征并与特定临床结局紧密相关的不同OSA表型。

二、关键技术方法概述

本研究为横断面设计，数据来源于2021年2月至2024年6月在武汉红十字会医院招募的临床队列，经严格筛选后纳入309例确诊OSA成人患者（年龄18-80岁）。研究人员采用级联多模态Transformer架构进行数据整合，该架构首先对四类数据模态——人口学特征（7项）、PSG宏观结构参数（6项）、EEG功率谱密度特征（226项经两步特征选择后的EEG特征）及血液生物标志物（4项）——分别使用包含1层8注意力头的Transformer编码器进行独立编码，随后通过跨模态注意力机制融合各模态表征，最终产生每位患者的综合表征。在聚类策略方面，研究人员系统评估了高斯混合模型（GMM）、K-means、凝聚聚类、谱聚类、BIRCH和DBSCAN等多种算法，结合轮廓系数、Calinski-Harabasz指数、Davies-Bouldin指数及簇平衡比等内部验证指标，最终选定GMM作为最优聚类方法，并通过最小化贝叶斯信息准则（BIC）确定了含三个分量、全协方差类型的最终配置。聚类稳健性通过50次独立GMM和K-means运行（平均调整兰德指数ARI=0.948）及1000次bootstrap迭代进行了评估。

三、研究结果

3.1 多模态整合与神经生理学亚型的推导

研究人员开发了级联多模态Transformer框架整合243个特征，通过提取融合模型的注意力权重量化各模态贡献，结果显示EEG-PSD特征权重最高（0.2775），其次为人口学（0.2441）、PSG宏观结构（0.2421）和血液生物标志物（0.2363）。共识验证确认了具有全协方差结构的GMM为最优解，将309例患者分为三个亚型。Bootstrap重抽样（1000次）支持了三表型解的再现性（中位ARI=0.884，中位个体分配稳定性=0.966）。多项敏感性分析表明，移除所有γ频段特征仍保持三簇结构（ARI=0.88），而移除所有N3期EEG特征则显著改变了簇分配（迁移率45.95%，ARI=0.271），排除N3时长<10分钟的患者后GMM选择了双簇解（k=2），原始表型1完全未被保留（保留率=0）。

3.2 EEG特征单独捕获核心表型结构

为进一步验证脑生理学在定义OSA异质性中的核心作用，研究人员仅使用327个定量EEG特征进行聚类，获得了与多模态结果高度一致的三亚型解（ARI=0.645，p<0.000001），表明EEG信号是区分患者亚群的主要信息通道，而多模态数据的作用是为神经生理学定义的簇提供丰富的临床和病理生理学背景。

3.3 各表型的临床与多导睡眠图特征

三个表型在传统疾病严重度指标AHI上无显著差异（p=0.369），但展现出截然不同的临床和PSG特征。表型0最年轻（53.15±13.74岁），睡眠结构居中（N3占6.06%）。表型1最年长（61.02±13.05岁），表现为N3睡眠近乎缺失（0.87%，p<0.0001）、N2比例最高（62.74%）及最低睡眠效率（0.71）。表型2拥有最有利的睡眠结构，N3比例最高（9.54%）、N2比例最低（56.41%）及最高睡眠效率（0.77）。

3.4 EEG微结构作为表型的主要驱动因素和决定性特征

通过排列特征重要性（VIMP）分析，研究人员发现最具判别力的十个特征全部来自EEG-PSD模态，主要定位于深睡眠（N3）和快速眼动期（REM）的枕叶和额叶区域，包括N3期枕叶δ波功率及N3与N2期之间的枕叶θ波功率比等指标。

3.5 所识别表型的神经生理学特征

系统比较显示，表型间的差异广泛存在于60个频带-脑区-睡眠阶段组合中。表型1表现出最偏离的频谱特征，慢频振荡（δ、θ）功率在各脑区和睡眠阶段普遍衰减。表型0在较高频段（β、γ）呈现相对升高的特征。表型2的频谱结构最接近正常范围。效应量森林图分析显示，表型1和表型2在许多关键特征上表现出强烈且往往相反的偏差。ANOVA分析揭示多个N3衍生特征具有较大效应量（η²），但由于表型1中92.4%参与者N3<10分钟，这些特征主要反映N3可用性而非内在频谱特性。

3.6 所识别表型的临床特征

在未参与聚类的变量分析中，平均AHI（p=0.369）和Epworth嗜睡量表评分（ESS，p=0.091）在表型间均无显著差异，但AHI严重度类别分布与表型存在显著关联（p=0.0145，Cramér's V=0.142），表型2重度OSA比例最高（39.7%），表型1最低（23.7%）。总睡眠时间在表型间也存在显著差异（p=0.002），表型2最长（370.4分钟）。

3.7 表型特异性EEG-临床相关性网络

经错误发现率（FDR）校正后，表型1中REM期额叶δ波功率与睡眠效率呈中等正相关（r=0.363，p_fdr=0.014）。表型2中，N3与N2期中央θ波功率比与N1阶段呈正相关（r=0.405，p_fdr=0.002），与入睡后觉醒时间（WASO）（r=-0.387，p_fdr=0.002）和觉醒指数（r=-0.375，p_fdr=0.003）呈负相关。

四、讨论与结论

本研究引入了一种新颖的数据驱动框架，超越了传统的以AHI和症状为中心的OSA分类。通过先进Transformer架构整合多模态数据并结合无监督学习，研究人员推导出三种稳定且临床显著的OSA亚型，其根本由睡眠神经生理学模式定义。EEG衍生特征是聚类的主要驱动力，这在多模态融合阶段EEG模态的首要地位以及最具判别力的十个特征（包括REM衍生和跨阶段REM/N3指标）中得到了证实。这种以神经生理学为中心的视角与OSA作为一种睡眠状态依赖的神经-呼吸控制障碍的基本性质直接一致。

研究结果的一个基石是所推导出的表型与AHI之间的明确分离。虽然平均AHI无显著差异，但AHI严重度类别的分布在表型间存在显著变化，这进一步强化了AHI本身无法捕捉OSA神经生物学负担的观点。具有几乎相同AHI值的表型展现出截然不同的神经生理学特征和睡眠结构，表明AHI衡量的是事件频率，却未能捕捉可能构成临床异质性基础的神经生理学负担。

关于各表型的机制解读：表型0最年轻，特征为相对升高的高频EEG活动和自我报告心血管疾病的数值趋势，其微观结构层面表现为N3期额叶至枕叶γ波功率升高，提示存在持续的高频皮层活动。表型1以高龄和N3睡眠显著减少为特征，频谱分析显示慢频振荡（δ、θ）功率在各脑区和睡眠阶段普遍衰减，且这种频谱偏离延伸至REM睡眠，表现为REM期θ/α比值显著升高，提示神经干扰并非仅是深睡眠缺失的后果，而是反映了睡眠相关脑功能的更广泛破坏。表型2尽管AHI水平与其他表型相当，但保留了相对完整的睡眠结构，EEG频谱特征最接近正常范围，支持其作为弹性或代偿性表型的分类，可能反映了更高的觉醒阈值或更高效的中枢调节机制。

研究人员明确指出研究的局限性：单中心横断面设计无法推断因果联系；未来需前瞻性多中心研究验证表型稳定性及其对心血管事件、认知衰退等硬终点的预后价值；EEG分析基于标准临床导联，高密度EEG或互补神经影像学可更精确地空间解析神经环路；血液生物标志物面板为常规项目，整合组学数据可揭示分子关联；N3衍生特征的解读受限于一个亚型中N3近乎缺失的情况，因此强调REM衍生和跨阶段REM/N3指标作为重要特征；最小表型样本量（n=52）少于进入GMM的特征数（243），协方差矩阵已正则化处理；研究未系统控制中枢神经系统活性药物及合并其他睡眠障碍等潜在混杂因素。

研究结论：尽管存在上述局限，本研究为OSA神经生理学表型的存在及其临床相关性提供了令人信服的初步证据。