使用脑电图（EEG）数据的深度学习用于抑郁症（MDD）SSRI 反应的诊断与预测

为何脑电波可能改变抑郁症的治疗方式

对于数以百万计的重性抑郁患者而言，康复常常意味着要经历漫长而令人沮丧的试错过程来找到合适的药物。本研究提出了一个简单但有力的问题：医生能否不再凭猜测，而是通过读取个体脑活动中的模式，既确认诊断，又预测常用抗抑郁药是否会对该患者有效？

无需手术便能窥见大脑

研究者关注的是脑电图（electroencephalography，EEG），这是一种已有百年历史的技术，通过放置在头皮上的小传感器记录大脑的自然电节律。EEG 已被用于诊断癫痫和睡眠障碍，且成本相对低、普及度高。然而在精神科领域，它很少用于指导治疗，尽管抑郁症本质上源于大脑功能的改变。作者认为，这使得在常规护理中大脑成为了一个“黑箱”：医生看到诸如悲伤和疲惫的症状，但并不常规测量大脑本身的活动情况。

教计算机识别抑郁模式

为了解开这一黑箱，团队采用了深度学习，这是一种特别擅长在复杂数据中发现细微模式的人工智能方法。他们收集了来自全球六个独立志愿者群体的静息态 EEG 记录：146 名当前无精神疾病的健康受试者和 203 名重性抑郁患者。所有记录都被标准化为仅使用十个共同传感器位置和适中的采样率，类似日常诊所中现实可行的设置。深度学习模型在部分数据上进行训练，然后在从未“见过”的人群的脑记录上进行测试，以确保模型学习的是普遍的大脑特征而非记住个体。

从信号到治疗预测

训练完成后，该模型能够以约 68% 的准确率区分抑郁患者与健康志愿者，且该准确率是针对整个人而非仅短暂片段的 EEG。更引人注目的是，当研究者让系统预测哪些抑郁患者会对一种常用抗抑郁药类别——选择性5-羟色胺再摄取抑制剂（SSRIs）——产生反应时，它大约 79% 的情况下正确区分了应答者与非应答者。就实际意义而言，模拟表明若用此类工具来指导患者是否起始 SSRI 或改用替代疗法，初始治疗成功率可从大约 50% 提高到约 70%。这意味着将有更少的人在无效药物上浪费数周时间。

计算机在脑电波中“看到”的是什么

对现代人工智能的一个常见批评是其可能成为黑箱：能做出预测，却难以解释依据。在此，作者通过使用一种称为 Grad-CAM 的可视化方法来揭示哪些 EEG 部分最影响模型决策，从而应对了这一问题。他们发现，被称为 α 频段的活动——在每秒 8–12 次的温和脑节律——在特定的额叶和顶叶区域尤为重要。此前研究将这些区域与情绪调节以及在抑郁中活动过强的网络联系在一起。研究还将深度学习系统与更传统的机器学习方法和另一种流行的 EEG 专用网络设计进行了比较。那些更简单的模型表现明显更差，特别是在预测治疗反应方面，这强调了更丰富的深度学习方法在信号中捕捉到额外且具有临床相关性的结构。

局限、现实世界的难题与前景

作者提醒称，他们的工作并非完成的诊断产品。尽管模型在来自多中心的未见患者上进行了测试，数据集在症状评估时间和药物组合等细节上仍存在差异，而且仅使用了十个 EEG 传感器——传感器太少，无法精确定位确切的大脑源。准确性虽令人鼓舞，但并不完美，关于性别差异和共病等因素如何影响这些模式仍有疑问。然而，该研究表明，甚至低成本、短时的 EEG 记录也能携带足够的信息，使人工智能在诊断与治疗选择方面发挥有意义的辅助作用。

这对患者意味着什么

通俗地说，这项研究表明，一项简短且廉价的脑电波检测，通过智能计算机程序分析，可能帮助医生从试错式方法转向个性化抑郁治疗。通过识别既能提示重性抑郁存在又能预测对 SSRIs 反应可能性的客观脑标志，基于 EEG 的深度学习工具可缩短人们在无效治疗上受苦的时间，减轻患者、家庭和卫生系统的整体负担。尽管在此类工具成为常规之前仍需更大规模、更标准化的研究，但这项工作为利用日常脑测量更早地将合适的抗抑郁药与合适的人匹配描绘了一条现实的路径。

引用: 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

关键词: 重性抑郁障碍, EEG, 深度学习, 抗抑郁药反应, 个性化精神医学