使用基于脑电图和临床特征的可解释机器学习模型,预测重复性脑下磁刺激在重大抑郁症中的治疗反应
Zongya Zhao1, Xiangying Ran2, Yanxiang Niu3
1School of Medical Engineering, School of Mathematical Medicine, Xinxiang Medical University, Xinxiang, China; Second Affiliated Hospital of Xinxiang Medical University, Henan Collaborative Innovation Center of Prevention and Treatment of Mental Disorder, Xinxiang, China; Henan International Joint Laboratory of Neural Information Analysis and Drug Intelligent Design, Xinxiang, China; Henan Engineering Research Center of Medical Virtual Reality Intelligent Sensing Feedback, Xinxiang, China; Henan Engineering Research Center of Physical Diagnostics and Treatment Technology for Mental and Neurological Diseases, Henan, China; Engineering Technology Research Center of Neurosense and Control of Henan Province, Xinxiang, China.
预测重度抑郁症 (MDD) 对重复性跨磁刺激 (rTMS) 的治疗反应现在更加准确. 通过将脑电图 (EEG) 和临床数据与机器学习相结合,确定了个性化MDD治疗的关键大脑连接模式.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算生物学 计算生物学
背景情况:
- 大型抑郁症 (MDD) 在对重复性跨脑磁刺激 (rTMS) 的反应中表现出显著的变化.
- 预测生物标志物对于定制rTMS治疗至关重要,但现有的方法往往缺乏解释性或依赖有限的数据.
- 之前的研究经常单独使用脑电图 (EEG) 或临床数据,阻碍了全面的预测模型.
研究的目的:
- 开发和验证可解释的机器学习框架,用于预测MDD患者的rTMS治疗反应.
- 识别主要的脑电图和临床特征,这些特征将响应者与不响应者区分开来.
- 为了提高对个性化MDD治疗策略的rTMS响应预测的准确性.
主要方法:
- 分析了一组117名接受rTMS的MDD患者 (74名响应者,43名不响应者).
- 八个基线EEG指标和临床特征被输入到七个不同的机器学习模型中.
- 沙普利添加式解释 (SHAP) 用于模型解释性和特征重要性分析.
主要成果:
- 最佳分类模型,一个结合相锁定值 (PLV) 和临床特征的支向量机,实现了97.33%的准确性.
- SHAP分析确定了三角形和β频段功能连接 (特别是F3-P7,F3-P4,P3-P8,T7-Cz) 作为显著的预测因素,区分了响应者和非响应者.
- 开发的框架在预测RTMS响应方面表现出很高的准确性.
结论:
- 结合EEG功能连接和临床数据的可解释的预测框架可以准确地预测MDD中的rTMS反应.
- 和β频段连接模式是MDD中rTMS治疗结果的关键生物标志物.
- 这种方法支持个性化医疗,可以更准确地预测个人MDD患者的rTMS疗效.
