基于EEG的机器学习方法结合SHAP可解释性预测重度抑郁障碍青少年中的共病焦虑症

《Translational Psychiatry》：Predicting comorbid anxiety in adolescents with major depressive disorder: an EEG-based machine learning approach with SHAP interpretability

　　

摘要

患有重度抑郁障碍的青少年若同时存在焦虑症状，其自杀风险会更高，预后也会更差，因此需要精准的筛查工具。本研究开发了一种可解释的机器学习框架，利用脑电图生物标志物来预测200名重度抑郁障碍患者（年龄在12至18岁之间，且至少两周未服用药物）的焦虑症状。这些参与者根据汉密尔顿焦虑量表得分被分为两组：焦虑症状严重组（HAMA得分≥14，共172人）和焦虑症状较轻组（HAMA得分＜14，共28人），他们均接受了脑电图检测。研究从中提取了32种脑电图特征（包括时域、频域、非线性特征、Hjorth特征以及基于熵的特征），并通过三折嵌套交叉验证方法训练和验证了7种机器学习模型。结果表明，光梯度提升机具有更出色的预测性能，其AUC值为0.72±0.05，准确率为0.83±0.02，精确率为0.91±0.02，召回率为0.89±0.03，F1值为0.90±0.14，AUPRC值为0.92±0.03。此外，SHAP分析指出“标准化一阶差值、阿尔法波与贝塔波的比值以及 Theta波段的功率”是关键的预测因素。该框架借助SHAP所提供的全局和局部可解释性功能，能够识别出与焦虑风险相关的个体化脑电图模式，为重度抑郁障碍的个性化诊断提供了一种透明且基于数据的工具。这些研究结果有助于实现精神病学领域的转化目标，即推动基于生物标志物的青少年心理健康诊断技术的发展。