Глубокое обучение на данных электроэнцефалографии (ЭЭГ) для диагностики и прогнозирования ответа на СИОЗС при большом депрессивном расстройстве

Почему мозговые ритмы могут изменить уход при депрессии

Для миллионов людей с большой депрессией выздоровление часто означает медленный и разочаровывающий поиск подходящего лекарства методом проб и ошибок. В этом исследовании звучит простой, но важный вопрос: вместо догадок могли бы врачи считывать закономерности в активности мозга человека, чтобы подтвердить диагноз и предсказать, сработает ли для него распространённый антидепрессант?

Заглянуть в мозг без операции

Исследователи сосредоточились на электроэнцефалографии, или ЭЭГ — столетней методике, регистрирующей естественные электрические ритмы мозга с помощью небольших датчиков на коже головы. ЭЭГ уже применяется для диагностики эпилепсии и нарушений сна, она относительно дешева и широко доступна. Однако в психиатрии ЭЭГ редко используется для выбора терапии, хотя депрессия связана с изменениями в работе мозга. Авторы утверждают, что это оставляет мозг «чёрным ящиком» в рутинной помощи: врачи видят симптомы вроде грусти и усталости, но обычно не измеряют, что делает сам мозг.

Обучение компьютеров распознавать паттерны депрессии

Чтобы открыть этот чёрный ящик, команда обратилась к глубокому обучению — форме искусственного интеллекта, особенно пригодной для выявления тонких закономерностей в сложных данных. Они собрали запись ЭЭГ в состоянии покоя из шести независимых групп добровольцев по всему миру: 146 человек без текущих психических заболеваний и 203 пациента с большой депрессией. Все записи стандартизировали, оставив лишь десять общих мест расположения датчиков и скромную частоту дискретизации, что похоже на то, что реально можно выполнить в повседневных клиниках. Модель глубокого обучения обучали на части данных, а затем тестировали на записях людей, которых она ранее «не видела», чтобы убедиться, что она учится общим признакам мозга, а не запоминает отдельных людей.

От сигнала к прогнозу лечения

После обучения модель могла отличать пациентов с депрессией от здоровых добровольцев с примерно 68% точностью на уровне целых людей, а не только коротких фрагментов ЭЭГ. Ещё более впечатляющим оказалось то, что при попытке предсказать, какие пациенты ответят на широко используемый класс антидепрессантов — селективные ингибиторы обратного захвата серотонина (СИОЗС) — система правильно разделяла ответивших и неответивших примерно в 79% случаев. С практической точки зрения моделирование показывает, что использование такого инструмента при решении, начать ли пациенту СИОЗС или перейти к альтернативе, могло бы повысить первоначальную успешность лечения с примерно 50% до около 70%. Это означает значительно меньше людей, которые неделями принимают лекарство, которое им не помогает.

Что компьютер «видит» в мозговых волнах

Распространённая критика современных ИИ — он сам по себе может быть «чёрным ящиком»: даёт прогнозы, но не объясняет, почему. В этой работе авторы решили эту проблему, применив метод визуализации Grad‑CAM, чтобы выделить части ЭЭГ, наиболее повлиявшие на решения модели. Они обнаружили, что особенно важной была активность в так называемой альфа‑полосе — мягкие ритмы мозга в диапазоне 8–12 циклов в секунду — над определёнными лобными и теменными областями. Эти зоны ранее связывали с регуляцией эмоций и с сетями, которые гиперактивны при депрессии. Исследование также сравнило систему глубокого обучения с более традиционными методами машинного обучения и другой популярной архитектурой, специфичной для ЭЭГ. Более простые модели показали заметно худшие результаты, особенно при предсказании ответа на лечение, что подчёркивает: богатый подход глубокого обучения улавливал дополнительные клинически значимые структуры в сигналах.

Ограничения, практические препятствия и перспективы

Авторы предупреждают, что их работа не является готовым диагностическим продуктом. Хотя модели тестировали на незнакомых пациентах из нескольких центров, наборы данных всё ещё различались по таким деталям, как сроки оценки симптомов и комбинации медикаментов, и использовали лишь десять датчиков ЭЭГ — слишком мало, чтобы точно локализовать источники в мозге. Точность, хотя и обнадёживающая, далека от идеальной, и остаются вопросы о том, как факторы вроде пола и сопутствующих расстройств могут влиять на паттерны. Тем не менее исследование показывает, что даже недорогие, короткие записи ЭЭГ могут содержать достаточно информации, чтобы ИИ значимо помогал в диагностике и выборе лечения.

Что это может значить для пациентов

Проще говоря, это исследование предполагает, что краткий и недорогой тест мозговых волн, обработанный умной компьютерной программой, может помочь врачам перейти от догадок к персонализированной помощи при депрессии. Выделяя объективные маркеры мозга, указывающие как на наличие большой депрессии, так и на вероятность ответа на СИОЗС, инструменты глубокого обучения на базе ЭЭГ могли бы сократить время, которое люди тратят на неэффективное лечение, и снизить общую нагрузку на пациентов, семьи и системы здравоохранения. Хотя прежде чем такие инструменты станут рутинными, нужны более крупные и стандартизированные исследования, эта работа прокладывает реалистичный путь к использованию повседневных измерений мозга для более быстрой подгонки правильного антидепрессанта к конкретному человеку.

Цитирование: Olbrich, S., Jaworska, N., de la Salle, S. et al. Deep learning using electroencephalogram (EEG) data for diagnosing and predicting SSRI response in major depressive disorder. Commun Med 6, 159 (2026). https://doi.org/10.1038/s43856-026-01394-z

Ключевые слова: большое депрессивное расстройство, ЭЭГ, глубокое обучение, ответ на антидепрессанты, персонализированная психиатрия