区分重度抑郁症和双相情感障碍：异常的脑电图微状态动态与机器学习分类方法

《Journal of Affective Disorders》：Discriminating between major depressive disorder and bipolar depression: Aberrant EEG microstate dynamics and machine learning classification

抑郁症与双相情感障碍的EEG微状态差异及机器学习分类研究，通过分析210名受试者的静息态EEG微状态特征，发现MDD患者微态C比例升高、D比例降低且B-C转换概率增加，提示默认模式网络异常；BD患者微态B持续时间延长，显示视觉网络过度激活。机器学习模型对MDD-BD、MDD-HC、BD-HC的分类AUC分别为83.4%、86.0%、93.3%，证实EEG微状态可作为辅助诊断指标。

　　

黄敏熙|何磊|黄有军|侯一然|赵继波|杨雪玲|魏胜楠|薛莉|胡俊武|刘志宏|薛翔|詹长安|王友

中国南方医科大学公共卫生学院心理学系，广州，510515

摘要

背景

重度抑郁症（MDD）和双相抑郁症（BD）是常见的情绪障碍，具有重叠的临床特征，这对准确诊断和有效治疗提出了重大挑战。脑电图（EEG）微状态反映了大脑活动的短暂、准稳定模式，这些模式指标了快速的大规模神经网络动态，可能为与情绪障碍相关的神经异常提供新的见解。

方法

本研究共有210名参与者（78名MDD患者，45名BD患者，87名健康对照组）完成了人口统计学、临床和微状态评估。分析了静息状态EEG微状态特征，并使用这些特征在机器学习模型中对MDD与BD、MDD与健康对照组（HCs）以及BD与HCs进行了分类。

结果

MDD患者的微状态C指标较高，微状态D指标较低，从B到C的转换概率增加，而从B到D的转换概率降低，这表明从枕叶视觉皮层到默认模式网络的顺序激活增强，但从视觉皮层到执行控制网络的顺序激活受到干扰。BD患者的微状态B持续时间显著延长，表明视觉网络活动过度。基于微状态的机器学习模型表现出中等到良好的区分性能，曲线下面积（AUC）值分别为83.4%（MDD与BD）、86.0%（MDD与HCs）和93.3%（BD与HCs）。

局限性

样本量较小可能限制了结果的普遍性，改进的方法论方法可以进一步提高分类性能。

结论

这些发现提供了关于MDD和BD中神经变化的初步见解，表明EEG微状态在诊断中具有潜在价值，并可能为针对特定障碍的干预措施的研究提供依据。

引言

重度抑郁症（MDD）和双相抑郁症是常见的精神疾病，与残疾和自杀风险增加有关，给社会带来了沉重负担（Krahn等人，2015；Malhi等人，2020）。重度抑郁症主要表现为抑郁发作，而双相抑郁症是一种慢性情绪障碍，其特征是抑郁和躁狂或轻躁狂的反复发作。双相抑郁症的病程以抑郁症状为主，在大约三分之二的病例中，疾病始于抑郁（Yang等人，2021）。这些双相抑郁症的抑郁发作通常被称为双相抑郁症（BD）（Baldessarini等人，2020）。由于MDD和BD之间的症状重叠，大约40%的BD患者最初被误诊为MDD（Dudek等人，2013；Leonpacher等人，2015），导致治疗不当、医疗费用增加和疾病预后不良（Gong等人，2020）。因此，基于客观生物标志物准确区分MDD和BD对于优化诊断和管理至关重要（Cuellar等人，2005；Huang等人，2024）。

静息状态脑电图（EEG）是一种非侵入性技术，能够以亚秒级的时间分辨率记录神经活动，在临床环境中具有高耐受性、易获取性和低成本的优势。在静息状态下，自发的EEG活动表现出独特的头皮地形图（即微状态），这些微状态持续80-120毫秒，然后转变为另一种微状态，反映了大规模脑网络内的快速神经动态（Lehmann等人，1998；Lehmann等人，1987；Michel和Koenig，2018；Murphy等人，2020；Vellante等人，2020）。四种典型的EEG微状态类别A、B、C和D可以可靠地解释静息状态EEG信号总体方差的65%-84%（Michel和Koenig，2018）。EEG源定位和结合EEG-fMRI的研究揭示了与不同EEG微状态类别相关的功能脑网络。例如，微状态A与左颞叶和岛叶区域的来源相关，这些区域参与语言处理（Baradits等人，2020；Britz等人，2010；Custo等人，2017）。微状态B与枕叶视觉皮层的活动相关，其功能与视觉想象和内向注意力有关（Bréchet等人，2019；Britz等人，2010；Tarailis等人，2024）。微状态C对应于默认模式网络（DMN），包括前扣带和岛叶等区域，参与情绪调节和自我参照处理（Britz等人，2010；Michel和Koenig，2018；Xu等人，2016）。微状态D与执行控制网络（ECN）相关，其来源位于右额叶和顶叶区域，反映了外向注意力控制（Custo等人，2017；Milz等人，2016）。EEG微状态的异常可能反映了潜在的大规模脑网络功能障碍，并为情绪障碍中的神经变化提供了宝贵的见解。

尽管重度抑郁症和双相抑郁症在症状上有重叠，但它们可能表现出不同的EEG微状态特征。先前的研究报告了MDD和BD中的微状态异常，包括持续时间、发生频率、覆盖范围和转换概率的变化（Murphy等人，2020；Vellante等人，2020；Wang等人，2021；Xue等人，2024）。这些特征反映了微状态动态的关键方面：持续时间表示微状态保持稳定的时间，发生频率反映微状态出现的频率，覆盖范围衡量微状态占总记录时间的比例，转换概率捕捉大脑从一个微状态切换到另一个微状态的可能性。

在重度抑郁症中，Murphy等人观察到微状态D的覆盖范围、持续时间和发生频率低于健康对照组（HCs）（Murphy等人，2020）。同样，何磊等人发现MDD患者的微状态D持续时间缩短，而微状态A和B持续时间延长（Lei等人，2022）。在双相抑郁症中，主要观察到微状态B的异常。Wang等人报告称双相抑郁症患者中微状态B的发生频率增加（Wang等人，2021）。Vellante等人发现双相抑郁症中的轻躁狂患者的微状态B发生频率低于HCs，并且从微状态B到C和D的转换倾向增加（Vellante等人，2020）。总体而言，这些发现表明双相抑郁症倾向于在微状态B中表现出异常，而重度抑郁症则更一致地在微状态D中表现出异常，这表明视觉处理和注意力控制的潜在神经网络存在不同紊乱。

只有一项研究直接比较了MDD和BD患者的EEG微状态（Xue等人，2024）。Xue等人报告称，两组患者的微状态D持续时间均低于HCs，而MDD患者的微状态C持续时间较短。此外，双相抑郁症患者的微状态A发生频率增加，而MDD患者的微状态B发生频率增加（Xue等人，2024）。然而，研究中未报告患者的临床症状，包括抑郁和躁狂，因此难以排除症状特征对微状态特征的混淆影响。使用的EEG记录仅包含16个通道，这限制了空间分辨率和检测潜在脑网络差异的敏感性。此外，仅检查了组间差异；目前尚不清楚微状态异常是否能够在个体层面准确区分MDD和BD，以提供辅助诊断信息。为了克服这些限制，我们首先检查了具有共同抑郁症状的MDD和BD患者之间的64通道静息状态EEG微状态，然后应用机器学习（ML）算法根据他们的微状态特征对个体进行分类。ML方法越来越多地用于检测EEG微状态数据中的复杂模式，从而区分精神病患者和健康对照组（Dwyer等人，2018）。基于EEG微状态的ML模型在识别重度抑郁症（Song等人，2024；Zhao等人，2022；Zhou，2023）、精神分裂症（Kim等人，2021）和首次发作的精神病（Zhou等人，2024）方面显示出潜力。然而，迄今为止，尚未有研究应用基于微状态的ML方法直接区分MDD患者和BD患者。

本研究旨在（1）在组层面研究MDD和BD患者的异常EEG微状态动态，（2）应用基于EEG微状态的ML方法在个体层面区分MDD患者和BD患者。鉴于直接比较这两种疾病EEG微状态的证据有限，本研究是一项探索性的概念验证研究。我们预期组间比较将揭示尽管抑郁症状重叠但仍可区分的异常微状态动态模式，并且微状态特征将携带用于个体层面机器学习分类的区分信息。然而，关于特定微状态差异或预期分类性能，并没有事先制定假设。

部分摘录

参与者

本研究共纳入221名参与者。患者来自精神科门诊诊所，健康对照组（HCs）通过传单和互联网公告在当地社区招募。排除11名因EEG数据受损的参与者后，最终样本包括78名MDD患者、45名BD患者和87名HCs。MDD或BD患者的诊断由持证精神科医生根据《国际疾病分类》标准进行。

人口统计学和临床特征

表1总结了参与者的 demographic 和临床特征。MDD和BD患者的教育水平显著低于HCs（F_2,207 = 11.93 [P < 0.001]）。HAMD-17（Welch's F_2,79.84 = 146.16 [P < 0.001]）、HAMA（Welch's F_2,83.65 = 123.65 [P < 0.001]、BDI-II（Welch's F_2,76.56 = 172.55 [P < 0.001] 和 BAI（Welch's F_2,77.14 = 98.51 [P < 0.001]）在MDD和BD患者中的得分显著高于HCs，两者之间没有显著差异。

讨论

尽管MDD和BD患者的抑郁症状和人口统计学特征无法区分，但本研究发现它们在EEG微状态上存在显著差异。具体而言，MDD表现出微状态D减少和微状态C增加，以及从B到D的转换减少，但从B到C的转换增加。BD主要表现为微状态B持续时间延长。值得注意的是，基于EEG微状态特征训练的机器学习分类模型

结论

通过应用EEG微状态分析，本研究识别出MDD和BD之间的特定神经差异，尽管它们在症状和人口统计学上存在重叠。基于微状态特征的机器学习模型表现出中等到良好的区分性能，表明静息状态微状态指标可能提供一种非侵入性的、低成本的补充信息来源，有助于鉴别诊断。这些发现

作者贡献声明

黄敏熙：写作——审稿与编辑，撰写——初稿，调查，正式分析，数据管理，概念化。何磊：写作——审稿与编辑，撰写——初稿，调查，正式分析，数据管理，概念化。黄有军：写作——审稿与编辑，调查，数据管理。侯一然：写作——审稿与编辑，调查，数据管理。赵继波：写作——审稿与编辑，资源获取，调查，数据管理。杨雪玲：

资金支持

本研究得到了中国教育部人文社会科学青年基金会（22YJCZH182）、广东省基础与应用基础研究基金（2025A1515011746）、广东省医学图像处理重点实验室（2020B1212060039）以及国家自然科学基金（82201642）的支持。

资助方未参与研究的设计和实施；数据收集、管理和解释；

利益冲突声明

无。

致谢

无。