Мультимодальная классификация ЭЭГ–fNIRS как клинический инструмент для диагностики биполярного расстройства

Почему это важно для повседневного психического здоровья

Биполярное расстройство часто трудно диагностировать, особенно когда врачам нужно различить его основные подтипы. Поскольку современная диагностика почти полностью опирается на интервью и наблюдение, люди могут годами получать неправильное лечение. В этом исследовании изучается, могут ли простые неинвазивные записи активности мозга — снятые во время выполнения эмоциональной задачи — дать объективные подсказки о том, кто болен биполярным расстройством, какой у него подтип и кто здоров. В случае успеха такой подход мог бы привести к более быстрому и таргетированному лечению в обычных клинических условиях.

Заглядывая в перепады настроения с помощью света и электричества

Исследователи сосредоточились на ключевой особенности биполярного расстройства: постоянных трудностях с управлением эмоциями, даже в кажущиеся стабильные периоды. Они использовали два инструмента, которыми можно пользоваться вне крупных больниц. Один — ЭЭГ, регистрирующая электрическую активность мозга с шапки сенсоров на черепе. Другой — fNIRS, пропускающий ближний инфракрасный свет через лоб для отслеживания изменений насыщения крови кислородом в наружных областях мозга. Вместе эти методы фиксируют как быстрые электрические сигналы, так и более медленные реакции кровотока в лобной области, которая участвует в контроле эмоций, принятии решений и социальном поведении.

Тестирование эмоционального отвлечения в реальном времени

Чтобы проверить эмоциональную регуляцию, команда разработала визуальную задачу, в которой участники должны были реагировать только на цвет рамки вокруг изображения, игнорируя то, приятна ли картина, нейтральна или неприятна. Эта установка, вариант эмоциональной задачи Струпа, создает конфликт между эмоциональной реакцией и простой когнитивной задачей. В исследовании участвовали взрослые с биполярным расстройством I типа, биполярным расстройством II типа и здоровые добровольцы. Пока они выполняли задачу, ЭЭГ-сенсоры покрывали всю поверхность головы, а небольшой набор источников света и детекторов fNIRS регистрировал изменения кровотока над левой лобной областью.

Шаблоны, которые показывают, кто есть кто

Сначала исследователи проверили поведенческие данные. Люди с биполярным расстройством дольше реагировали на неприятные изображения по сравнению с нейтральными или приятными, что указывает на то, что негативные эмоции сильнее мешали их мышлению. У здоровых добровольцев такой закономерности не наблюдалось. Далее команда обратилась к сигнальным данным мозга. Они выделили временные окна из ЭЭГ (от быстрых визуальных ответов порядка одной десятой секунды до более поздних волн, связанных с эмоциями и принятием решений) и из более медленного ответа fNIRS (фиксирующего, как меняется кровоток после каждого изображения). Используя эти признаки, они обучили модели машинного обучения классифицировать, является ли человек здоровым или болен биполярным расстройством, и — среди пациентов с биполярой — какой у них тип: I или II.

Комбинация сигналов усиливает диагностическую точность

Когда они использовали только ЭЭГ-сигналы с полной шапки, модели уже отделяли пациентов от здоровых добровольцев и часто могли различать два подтипа биполяры. Но добавление признаков fNIRS последовательно улучшало результаты, особенно в более сложных задачах: отличить биполярное расстройство II типа от здоровых участников и разделить I и II типы. Измерения на основе света добавляли информацию о том, как взаимодействуют кровеносные сосуды и нервная активность в лобной коре, фиксируя тонкие нейроваскулярные различия, которые одна ЭЭГ уловить не могла. Даже когда данные ЭЭГ ограничивали только лобными сенсорами — имитируя упрощенную, более портативную систему — комбинированный анализ ЭЭГ и fNIRS снижал число ошибок классификации и сохранял высокую эффективность.

К более простым, более объективным методам диагностики

Проще говоря, исследование показывает, что небольшой набор сенсоров на голове может фиксировать надежные паттерны активности мозга, которые отличаются у здоровых людей и у пациентов с биполярным расстройством, а также между его основными подтипами. Сочетание электрической активности и изменений кровотока усиливает сигнал, доступный компьютерным классификаторам, делая различение подтипов более точным. Хотя требуются более крупные исследования, эти результаты указывают на перспективу клинически удобных инструментов, которые могли бы дополнить интервью, помочь избежать ошибочной диагностики и в конечном счете позволить более раннее и персонализированное лечение для людей с риском биполяры.

Цитирование: Tahir, I., Planat-Chrétien, A., Bertrand, A. et al. Multimodal EEG–fNIRS classification as a clinical tool for bipolar disorder diagnosis. Transl Psychiatry 16, 177 (2026). https://doi.org/10.1038/s41398-026-03858-1

Ключевые слова: биполярное расстройство, нейровизуализация, ЭЭГ, fNIRS, регуляция эмоций