《Frontiers in Human Neuroscience》：Machine learning and individual variability in electrical field characteristics predict tDCS treatment response for anxiety in older adults in the ACT trial
编辑推荐：
引言：焦虑在老年人群中高度普遍，且常与神经退行性疾病共存，这会加剧认知能力下降并降低生活质量。经颅直流电刺激已展现出治疗潜力，但由于个体神经生理学上的差异性，其结果仍然不一致。方法：研究人员训练了机器学习（ML）模型，以预测在参与了“增强老年人认知训练”（th
引言：焦虑在老年人群中高度普遍，且常与神经退行性疾病共存，这会加剧认知能力下降并降低生活质量。经颅直流电刺激已展现出治疗潜力，但由于个体神经生理学上的差异性，其结果仍然不一致。方法：研究人员训练了机器学习（ML）模型，以预测在参与了“增强老年人认知训练”（the ACT trial，NCT02851511）中具有中重度基线状态焦虑症状的老年人，在接受主动tDCS结合BrainHQ认知训练（tDCS + CT）后的状态焦虑减轻情况。该模型基于通过有限元建模生成的源自磁共振成像（MRI）的电流密度图（J-maps）来预测结果。研究人员使用（1）重复混合站点嵌套交叉验证和（2）重复跨站点留一站点验证对模型进行了评估；在这两种设置中，分析均针对20名符合条件的参与者进行。结果：该模型在重复混合站点嵌套交叉验证中达到了82%的平均平衡准确率，在重复跨站点留一站点验证中达到了72%。基于SHAP的机器学习模型解释将后侧梭状皮层和下颞回（后部及颞枕部）的电流密度确定为干预反应最具影响力的预测因子。讨论：后腹侧颞叶皮层作为预测干预反应的关键基质出现，这与先前将梭状回与杏仁核-颞叶动态变化与焦虑严重程度及恐惧面孔处理联系起来的研究相一致。这些发现突出了知觉过程，特别是那些由梭状回介导的过程，是如何塑造干预反应的。总而言之，这项工作为利用机器学习引导的精度建模来个性化针对老年人焦虑的非侵入性经颅电干预铺平了道路。
研究背景与问题
焦虑在老年人群中是一种普遍存在的心理健康问题，常伴随神经退行性疾病（如阿尔茨海默病）共同出现。这种情况加剧了认知和情感障碍，加速了认知衰退，并显著降低了生活质量。尽管先前证据表明，将tDCS（经颅直流电刺激）与BrainHQ认知训练（CT）结合能改善焦虑症状，但由于个体神经生理学差异，tDCS的治疗效果在不同个体和研究中表现出高度的异质性。传统的tDCS方案采用“一刀切”的标准化刺激参数，未能考虑患者独特的神经解剖学和功能特征，这导致剂量传输不精确并引起较大的行为学结果差异。为了解决这一局限性，实现个性化的非侵入性脑刺激干预，研究人员开展了这项研究。他们通过整合高分辨率的个体化神经影像数据与计算建模，结合ML（机器学习）算法，开发了一个用于预测个体治疗反应的模型。该研究表明，个体化的电场建模与ML结合能够有效预测干预效果，为个性化tDCS治疗老年人焦虑提供了初步可行的精度医学工作流程，这对于优化刺激参数、提高疗效具有重要意义。该研究成果发表在《Frontiers in Human Neuroscience》上。
关键技术方法
样本队列来源为参与“增强老年人认知训练”（the ACT trial, NCT02851511）的社区老年人。主要技术包括：首先利用T1加权结构MRI数据，通过半自动化标注程序对参与者头部进行11种组织类型的分割，并采用有限元方法（FEM）生成个体化的tDCS电流密度图（J-maps）；随后对生成的J-maps进行MNI152空间标准化，提取包括电流密度幅值（||J||）在内的多种特征表征；接着使用监督机器学习框架，通过SMOTE算法进行类别平衡，结合主成分分析（PCA）和mRMR算法进行降维与特征选择，采用随机傅里叶特征映射及基于随机梯度下降的逻辑回归进行分类建模，并引入SHAP方法进行体素级和脑区级的模型可解释性分析。
研究结果
机器学习模型性能报告
通过评估不同J-map衍生的特征表征，研究人员发现电流密度幅值（||J||）模型在重复混合站点嵌套交叉验证中取得了最佳性能，平均平衡准确率达到82%，AUROC为0.89。在更为严格的重复跨站点留一站点验证中，该模型依然保持稳健，平均平衡准确率为72%，AUROC为0.74。这表明模型能够可靠地识别出对tDCS + CT干预有反应的老年人，而仅使用电流方向特征的模型性能显著下降。
基于体素的模型解释结果
采用基于SHAP值的体素级解释方法，研究人员识别出了对模型预测贡献最大的脑区。结果显示，预测重要性最高的前七个区域均位于皮层，其中后颞叶梭状皮层表现出最高的SHAP重要性集中度。紧随其后的是下颞回后部和下颞回颞枕部。整体而言，后腹侧颞区的电流密度分布对预测干预反应具有最强的空间重要性，而通常认为的情绪控制区域（如额叶）并未进入贡献最大的前几位预测因子之列。
使用J-map特征表征预测STAI状态评分下降
研究人员通过支持向量回归模型测试了J-map特征对STAI状态焦虑评分绝对下降值的预测能力。结果显示，在两种验证策略中，各特征表征的R
2值均为负数，未能优于均值预测基线。这表明，尽管J-map衍生的电流幅值特征在二分类反应预测中表现优异，但在预测焦虑评分的具体减少幅度上缺乏稳健的准确性。
加入混杂因素变量后的模型性能
研究比较了仅包含J-map特征的模型与添加了人口统计学及人体测量等混杂因素的模型。结果表明，加入混杂变量在混合站点和跨站点验证中均一致降低了模型性能。这说明J-map特征本身保留了更强的预测价值，模型预测性能并未由简单的人口统计学或临床协变量所驱动。
总结与讨论部分翻译
在本研究中，研究人员为具有中重度基线状态焦虑且接受了主动tDCS结合BrainHQ认知训练的老年人训练了基于J-map的ML预测模型，发现了该框架在预测干预反应上的初步可行性与跨场所的泛化潜力。从临床转化角度看，未来的工作流可在治疗前利用MRI数据生成个体化电流密度图，再由已验证的ML模型预估对特定刺激方案产生临床反应的概率，从而指导个体化电流强度或电极位置的优化，而非单纯依赖区域电流密度估计。体素级SHAP分析表明，后腹侧颞区，特别是梭状回后部和下颞回，是模型预测的最关键基质。结合既往关于梭状回面孔知觉及杏仁核-颞叶动态联系的研究，现提出一种假说：tDCS与认知训练可能通过重塑视觉-边缘系统的通路来缓解焦虑，而非单纯依赖前额叶皮层调控。这些发现将后腹侧颞区定位为改善焦虑状态的重要神经基质。但研究也存在样本量较小、未包含假刺激对照、且未直接测量任务相关神经活动等局限性。未来的大型独立多中心研究需进一步验证这些J-map预测特征的特异性与临床效用，并可引入抗异质性电导率建模与深度学习方法以优化个性化干预策略。
