大规模双站点静息态脑电图研究揭示精神疾病跨诊断的共有与特异神经改变

《Translational Psychiatry》：Large-scale EEG reveals shared and distinct neural oscillatory features across major psychiatric disorders

　　主要精神疾病是全球残疾的主要原因，但用于指导诊断和治疗的可靠生物标志物仍然难以捉摸。脑电图提供了一种可扩展、非侵入性的方法来捕捉神经功能障碍，但先前的研究结果因队列规模小、单病种设计而不一致。在此，我们报告了一项大规模、双站点比较研究，比较精神分裂症、双相情感障碍和重度抑郁症与健康对照的静息态脑电图。通过对9751名参与者的脑电记录进行标准化预处理和特征生成，获得了频谱功率和功能连接性指标，并采用统计学和机器学习方法进行检验。我们发现了跨诊断的一致性改变——α功率降低和γ波段功能连接性增加，表明抑制性控制和大规模网络协调存在共同紊乱。其他频谱差异包括精神分裂症中更为显著的δ-θ升高，以及δ-θ的梯度变化（精神分裂症>双相情感障碍>重度抑郁症），提示神经功能失调的维度性进展。机器学习模型能在站点内有效区分精神疾病患者与健康对照，但跨站点泛化和疾病间区分能力仍然有限，凸显了异质性的挑战。这些发现识别出可重复的脑电图特征，能够捕捉共有和疾病特异性的神经改变，为推进主要精神疾病的早期检测和个体化治疗奠定了基础。