突出网络连接性预测了在戒烟中对重复性跨脑磁性刺激的反应:一项初步机器学习研究
Xingbao Li1,2,3, Kevin A Caulfield1,2, Andrew A Chen4
1Department of Psychiatry, Medical University of South Carolina, Charleston, South Carolina, USA.
Brain connectivity
|September 15, 2025
概括
功能性磁共振成像 (fMRI) 和机器学习 (ML) 预测重复性跨磁刺激 (rTMS) 在戒烟方面取得成功. Salience 网络连接可预测治疗结果,指导有针对性的 rTMS 治疗.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 药物成科学 药物成科学
背景情况:
- 烟草使用障碍 (TUD) 是一个重大的公共卫生挑战.
- 重复性横磁性刺激 (rTMS) 是一种用于戒烟的非侵入性神经调节技术.
- 将功能磁共振成像 (fMRI) 与机器学习 (ML) 集成为识别治疗点和评估 TUD 神经网络中的 rTMS 疗效提供了潜力.
研究的目的:
- 调查通过fMRI评估的大规模网络连接是否可以预测rTMS在促进戒烟方面的有效性.
- 探索不同大规模大脑网络 (默认模式,中央执行,背部注意力,突出性和奖励网络) 对rTMS治疗结果的预测能力.
主要方法:
- 从42名寻求治疗的吸烟者获得吸烟暗示反应性fMRI (T-fMRI) 和静止状态fMRI (Rs-fMRI) 数据,在10次主动或虚假rTMS治疗之前和之后针对左背侧前额皮层.
- 分析了五个大规模的大脑网络在rTMS前后的连接模式,并比较了活跃状态和假状态.
- 运用神经网络和回归分析来将平均网络连接与rTMS治疗有效性的相关性.
主要成果:
- 回归分析显示,T-fMRI中更高的突出网络 (SN) 连接和RS-fMRI中更低的奖励网络连接预测了rTMS后更好的戒烟结果 (p < 0.01,Bonferroni校正).
- 神经网络分析确定了SN是rTMS有效性的最重要的预测因素,特征重要性得分为T-fMRI的0.33和RS-fMRI的0.37.
- 这些发现表明,SN连接在预测rTMS治疗成功戒烟方面发挥着至关重要的作用.
结论:
- 在突出网络 (SN) 中,基于任务和静止状态的fMRI连接都能预测rTMS的成功戒烟结果,尽管方向相反.
- 机器学习模型显示了针对TUD的rTMS干预个性化和定位的潜力.
- 建议在更大的队列中进行复制,以验证这些机器学习衍生的发现,因为该研究的样本规模很小.
