用于优化抑郁管理中可穿戴生物电子学的人工智能驱动三分分类框架

《SCIENCE ADVANCES》：AI-driven tripartite classification for optimizing wearable bioelectronics in depression management

　　

当前疾病传感设备主要聚焦于区分健康与疾病状态，这对于诊断是有效的，但在指导预防阶段最佳干预时机方面存在局限。研究人员开发了一种用于抑郁症的三分框架，用于识别前疾病状态，该状态是不可逆发病之前的一个可逆阶段。基于复杂系统理论，研究人员分析了生物系统接近临界转变时出现的早期预警信号（EWSs）。通过连续监测9种多模态生物标志物——涵盖电生理、行为及生物学维度——研究人员通过定量界定临界点，实现了对正常、前疾病和疾病状态的分类。借助超柔性神经探针所支持的稳定、低损伤记录，人工智能（AI）智能体利用多模态数据以95.2%的准确率完成疾病状态分类。结合软性三维电极的皮肤贴附式无线迷走神经刺激器的治疗学验证显示，在前疾病状态实施干预具有更优疗效。于前疾病状态接受治疗的受试对象表现出更快恢复速度和更强治疗反应，而在疾病发生后接受治疗者未能实现完全恢复。该框架为早期干预提供了循证依据。

该研究发表于《SCIENCE ADVANCES》，围绕抑郁障碍的连续病程监测与精准干预这一核心问题，提出了一套人工智能（AI）驱动的三分疾病状态分类框架，旨在突破传统“健康/患病”二元诊断范式在预警和预防层面的局限。现有可穿戴生物电子器件虽然已能较高效地监测多种生理信号，并据阈值判断个体是否患病，但这类方法主要服务于诊断，难以回答“何时干预最有效”这一更关键的问题。研究人员指出，一旦生物标志物越过病理阈值，病情常快速恶化，治疗难度显著上升。因此，在疾病不可逆转之前识别一个可逆的“前疾病状态”，并捕捉其对应的早期预警信号（EWSs），对于实现主动预防和时机优化的干预具有重要意义。抑郁障碍尤其适合这一研究路径，因为其病程进展复杂，且与高致残率和高自杀风险密切相关，单一生化指标难以全面反映其状态演变，多模态整合分析因此成为必要前提。

研究人员据此构建了一个以复杂系统临界转变理论为基础的研究框架，将抑郁进程划分为正常状态、前疾病状态和疾病状态三个阶段。该研究在皮质酮诱导的抑郁小鼠模型中，连续采集9项多模态生物标志物，包括海马（HPC）与前额叶皮层（PFC）相关电生理指标、行为学指标以及血液和皮层中的生物学指标，并通过动态网络生物标志物（DNB）分析和机器学习（ML）方法识别临界点与前疾病窗口。进一步地，研究人员将训练好的分类模型嵌入对话式AI智能体，用于根据单一时间点输入的多模态数据判定疾病状态，并给出干预建议。随后，研究人员又利用一种免手术、颈部贴附式、无线迷走神经刺激（VNS）贴片，在AI判定的不同疾病阶段实施治疗，验证该框架在干预时机选择上的生物学和治疗学意义。研究结果表明，前疾病状态并非抽象推测，而是可通过多模态动态特征定量识别的真实阶段；在这一阶段进行VNS治疗可获得更快、更充分的恢复，而在疾病状态下启动同样治疗则疗效显著受限。这一发现为可穿戴生物电子技术的早期应用提供了明确的循证支撑，也为预测性医学和个体化健康管理提供了新路径。

在技术方法上，研究人员首先采用超柔性液态金属（LM）多通道神经探针，对小鼠HPC和PFC进行长期稳定电生理记录，并同步开展开放场实验（OFT）、悬尾实验（TST）和强迫游泳实验（FST）等行为学评估，以及脑源性神经营养因子（BDNF）、5-羟色胺和干扰素-γ（IFN-γ）等生物学检测。样本来源为雄性C57BL/6N小鼠，包括皮质酮处理组和sham对照组。随后基于动态网络生物标志物（DNB）理论，以临界指数（CI）识别临界点和前疾病起点，并以随机森林模型构建三分类AI智能体。最后，研究人员设计了带近场通信（NFC）模块和三维液态金属电极的无线VNS贴片，用于不同阶段的时序性治疗验证。

在结果部分，论文首先在“Establishment of a robust framework for classifying disease state in depressive disorder”中提出并建立了抑郁障碍疾病状态分类的总体框架。研究人员从复杂系统理论出发，指出系统在接近临界点时会出现恢复变慢和波动放大的特征，这些波动即构成EWSs。基于这一原则，研究人员将电生理、行为和生物学三类指标纳入统一分析流程，在小鼠模型中持续追踪这些指标随病程的动态变化，并据此为正常、前疾病和疾病三状态的量化划分提供基础。进一步结合机器学习方法后，该框架不仅能解释病程动态，还具备面向实际决策支持的可部署性。

在“Data collection of multimodal biomarkers from normal to disease state”部分，研究人员系统展示了从健康到疾病进展全过程的多模态数据采集。模型采用连续皮下注射皮质酮诱导抑郁样表型，从给药前第6天到给药后第21天每日采集数据。9项标志物分别覆盖三大维度：电生理维度包括海马内相位锁定值（PLV_HPC）、海马-前额叶相位锁定值（PLV_HPC-PFC）以及海马-前额叶相干性（coherence_HPC-PFC）；行为维度包括OFT中心区停留时间、TST活动时间和FST活动时间；生物学维度包括皮层BDNF、血浆5-羟色胺和血浆IFN-γ水平。为获得可靠的长期脑信号，研究人员制备了基于共晶镓铟（EGaIn）的16通道超柔性探针。结果显示，该探针在4周内保持高度稳定：单单位放电波形相关系数始终>0.9，神经元质心位移极小，阻抗变化仅约4.14%，90%以上通道保持功能完好。借助这一装置，研究人员发现皮质酮组在电生理上表现为HPC与PFC连接逐步下降，并伴随中间阶段的不稳定波动。行为学上，OFT中心区停留时间、TST和FST活动时间逐渐下降，也均出现过渡期波动。生物学上，BDNF和5-羟色胺降低而IFN-γ升高，同样存在中间震荡阶段。这些结果共同表明，多模态指标均呈现先波动后恶化的动态模式，为EWSs识别提供了证据。

在“Identification of critical points and the pre-disease state via dynamic multimodal biomarkers”部分，研究人员进一步将上述动态变化转化为可量化的前疾病识别标准。依据DNB理论，真正反映临界转变的标志物群应同时满足组内相关性升高、与组外相关性下降以及组内标准差升高三项特征。研究人员据此定义临界指数CI = SD × PCC / PCCo，并将9项标志物随机聚为502个子群，在滑动时间窗中逐一计算CI轨迹。通过综合峰值CI和质量因子，最终确定优势组S^*，并将其CI峰值所在时间窗的末日定义为临界点。以前疾病起点的z评分阈值和指数加权移动平均的双重条件进行限定后，研究人员将病程划分为正常状态、前疾病状态和疾病状态。以文中示例数据为例，优势组由coherence_HPC-PFC、OFT中心区时间和TST活动时间构成，其临界点定位于第12天，据此将第?6天至第6天定义为正常状态，第7天至第12天定义为前疾病状态，第13天及以后定义为疾病状态。研究人员还比较了仅使用单一模态数据所得结果，发现多模态优势组不仅临界点位置一致性较好，而且CI信号更强、更易识别，说明多模态整合显著提升了前疾病检测的稳健性。

在“Classification of depressive disease state using AI agent”部分，研究人员构建了能够进行三分类判定的AI智能体，以增强该框架的可用性和临床转化潜力。该系统以随机森林为核心模型，训练数据来自每只小鼠每日9项标志物的组合，并根据DNB框架赋予正常、前疾病和疾病标签。研究结果显示，训练后的模型能够在三维嵌入空间中清晰区分三种状态，展示出随病程推进的聚类轨迹。SHAP（Shapley additive explanations）分析表明，电生理、行为和生物学三类标志物对分类性能贡献相近，进一步支持了多模态整合的必要性。在严格的留出测试中，33.3%的数据用于测试且与训练鼠只完全分离，该模型实现了95.2%的分类准确率和95.7的加权F1评分，提示其具有较高可靠性。研究人员还将该模型嵌入基于ChatGPT应用程序编程接口的对话式界面，使用户能够通过自然语言交互输入生物标志物并获得状态判定与干预建议，证明了该系统作为可解释、可访问疾病管理平台的可行性。

在“Early therapeutic intervention with VNS based on AI agent”部分，研究人员通过时机依赖性的VNS治疗验证AI分类结果的生物学意义和应用价值。为实施干预，研究人员开发了一种基于液态金属的微创无线VNS贴片。与传统经皮刺激选择性不足或袖套式刺激需外科植入不同，该器件采用两根柱状三维EGaIn电极，电极高度与小鼠迷走神经解剖深度约2 mm相匹配，并集成NFC芯片与天线实现自由活动状态下的无线操作。电极表面经铂纳米簇修饰后，在1 kHz下阻抗约为2.01 kΩ，电荷存储容量为687.2 C/cm²，且经过重复体内刺激后性能仍保持稳定。研究人员根据AI判定结果，在代表性的前疾病阶段（约第8天）和疾病阶段（约第16天）分别启动VNS，每日刺激30 min，连续7天。结果表明，在前疾病阶段接受VNS的小鼠，其PLV_HPC、PLV_HPC-PFC、coherence_HPC-PFC等电生理指标逐步回升并接近sham组；行为学上，OFT、TST和FST表现也明显改善；生物学指标同样呈现恢复趋势。相反，在疾病状态才开始VNS的小鼠仅表现出轻微或暂时改善，整体仍接近未治疗的皮质酮组。治疗后经AI再次判定，前疾病干预组在嵌入空间中更接近正常簇，而疾病期干预组仍靠近疾病簇。欧氏距离分析进一步证实，前疾病VNS组距正常中心更近、距疾病中心更远，表明其系统层面的恢复更充分。由此可见，VNS的疗效高度依赖干预时机，前疾病窗口是治疗获益的关键阶段。

讨论部分强调，该研究解决了当前疾病监测领域的一个根本性问题，即如何将持续监测从“事后识别疾病”推进到“事前识别转变风险”。研究人员通过复杂系统理论、多模态生物标志物整合、DNB定量识别和AI智能体部署，证明抑郁病程中存在可检测、可干预的前疾病状态，并且该状态具有明确的治疗学意义。研究同时指出，该框架虽然在动物模型中得到验证，但其理论上可扩展至其他具有渐进性病理变化和前临床阶段的神经精神疾病，如阿尔茨海默病、帕金森病和精神分裂症。论文也审慎指出了若干边界：本研究仅纳入雄性小鼠，限制了性别普适性；三分标签源于纵向数据的回顾性定义，而AI模型是基于单时点快照进行状态推断，因此未来仍需在真实纵向场景中检验其前瞻性预测能力；此外，穿戴式连续监测在临床部署中还需处理数据隐私与安全问题。尽管如此，研究人员认为，该研究已为由反应性医疗走向预测性、个体化医疗提供了方法学基础。

研究结论部分可概括为：研究人员建立了一种面向抑郁障碍的三分疾病状态分类框架，能够通过9项多模态生物标志物的动态变化识别早期预警信号（EWSs）、界定临界点，并区分正常状态、前疾病状态和疾病状态。基于该框架构建的AI智能体可利用单时间点多模态数据以95.2%的准确率完成状态分类。治疗验证表明，在前疾病状态实施迷走神经刺激（VNS）可获得明显优于疾病状态干预的恢复效果，而疾病发生后再干预难以实现完全恢复。该研究为早期干预提供了循证依据，并为可穿戴生物电子学在主动式、个体化健康管理中的应用奠定了理论与实验基础。