脑电时域复杂度可以评估抑郁症的电休克、磁休克疗法的疗效和认知副作用

最近,来自加拿大成瘾与心理健康中心的Faranak Farzan 等人在Brain杂志上发表了一篇文章,通过研究表明脑电信号的时域复杂度可以用来衡量在抑郁症治疗中使用的电休克、磁休克疗法的疗效和认知副作用。该发现有望为抑郁症新型替代疗法的设计提供靶标,从而能达到电休克、磁休克疗法相似的疗效但却能弱化其认知副作用。

实验共选择了34位被试,分别接受两种抗抑郁治疗——电休克治疗(ECT,n=19),磁休克疗法(MST,n=15)。被试经过一个疗程的治疗,用64导Neuroscan系统记录治疗前后的静息态闭眼脑电十分钟。用量表HAMD评估治疗前后情绪改善情况,用MoCA和AMI-SF量表评估认知副作用的大小。该研究分别用不同时间尺度下,不同空间电极位置下以及不同溯源脑区的多尺度熵与情绪和认知变化做相关性分析,并用多尺度熵来预测情绪和认知变化。

表1 被试的基本情况以及治疗效果

图1 治疗对脑电时域复杂性的影响。上图描述ECT组和MST组治疗有效被试和无效被试在治疗前后的多尺度熵(所有电极和所有时间尺度的多尺度熵均值)。中图:所有电极位置(1-60)和所有时间尺度(1-70)的多尺度熵在治疗后相对于治疗前的原始统计结果。下图:每一幅地形图代表每一个时间尺度下多重对比校正之后的显著性图,颜色代表p<0.05,否则没有颜色。

首先研究人员根据情绪改变是否达到50%为治疗有效的判断依据,将接受两组治疗的被试又分别分成治疗响应组和治疗无效组。在地形图上可以清晰地看出,只有治疗有效组存在多尺度熵的显著性改变。其中对于ECT-有效组,在小时间尺度下熵降,而在大时间尺度下熵增。对于MST-有效组,只有在小时间尺度下发现熵降。且都是全脑范围的。

图2 时域复杂度调节和情绪、认知的相关性。A图 地形图展示的是34位被试在接受治疗之后的情绪量表HAMD的变化和多尺度熵具有显著性相关的电极区域和时间尺度。B图 地形图展示的是19位被试在接受治疗之后的认知量表MoCA的变化和多尺度熵具有显著性相关的电极区域和时间尺度。C图 指出在特定电极和时间尺度下的熵和情绪改变△HAMD之间的相关性。D图 指出在特定电极和时间尺度下的熵和认知改变△MoCA之间的相关性。

其次,研究者对脑电时域复杂度(多尺度熵MSE)在治疗前后的变化与行为学上的情绪和认知改变进行相关性分析。发现多尺度熵只在精细时间尺度下,顶枕和额中区域与情绪改善有显著负相关,而与认知损伤显著性相关的多尺度熵只存在于中等时间尺度下顶中区域以及粗糙时间尺度下的全脑。

图3 电休克、磁休克疗法对时间复杂度的调节和它在源空间与情绪、认知的关系。治疗后相较于治疗前多尺度熵存在统计显著性改变的各时间尺度(横坐标)和各溯源脑区(纵坐标)。A图 对于MST有效治疗组,在时间尺度<20的广泛的溯源脑区存在统计显著的熵降。B图 对于ECT有效治疗组,在时间尺度<30存在全脑的熵降而在大时间尺度下则出现全脑的熵增。C图说明34位被试接受治疗后,在溯源脑区情绪提高和多尺度熵之间具有显著相关性的时空位点。D图19位被试接受治疗后,在溯源脑区认知下降和多尺度熵之间具有显著相关性的时空位点。

与之类似,溯源分析也显示熵变与情绪改变和认知下降的相关性,且这种相关性也具有时间和区域特异性。

图4 时域复杂度的区域性改变预测情绪和认知变化。A和C图 分别描述的是每一个电极和时间尺度下多尺度熵在预测抗抑郁效果和认知改变上的接受者操作特性(ROC)曲线的曲线下面积。B和D图分别表示抗抑郁和认知改变最佳预测表现的电极和时间尺度下的ROC曲线。最左上角的红色圆圈代表最佳预测位点。B图中在OZ,小时间尺度5时预测可达到82%敏感度和77%的特异性。D图在P2,时间尺度为23时预测可达到89%的敏感度和100%的特异性。

最后,研究者利用受试者工作特性曲线来得到最佳操作点,即错误最少的最佳阈值。枕叶区域和小时间尺度的时域复杂度(eg. OZ, Timescales 5)改变只能很好的预测抗抑郁反应,对认知下降的预测表现很差;大时间尺度的顶中区域(eg. P2, Timescales 23)的时间复杂度只能预测认知改变,不能预测情绪变化。

图5 源空间情绪和认知改变的预测。A和C图表示在每一个种子点和每一个时间尺度上熵变预测抗抑郁和认知改变的ROC曲线的曲线下面积AUC。颜色越红表示AUC值越大,预测越准确。B和D图表示特定种子点和时间尺度下抗抑郁反应和认知下降的ROC曲线。最左上角的红色圆圈代表最佳预测位点。B图中在枕叶,小时间尺度5时预测可达到70%敏感度和94%的特异性。D图在顶内沟,时间尺度为22时预测可达到100%的敏感度和90%的特异性。

上述实验分析表明,静息态脑电在特定区域和时间尺度的时域复杂度是抑郁症电休克、磁休克疗法的新的生物学指标,可以用来评估治疗的抗抑郁疗效和认知改变。而这一指标为新型抗抑郁治疗的设计也提供了重要的靶点。

参考文献:Farzan F, Atluri S, Mei Y, et al. Braintemporal complexity in explaining the therapeutic and cognitive effects ofseizure therapy[J]. Brain, 2017, 140(4): 1011-1025.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-08-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

独家 | 人工智能技术在医学领域的应用与前景(附PPT)

[导读]2017年6月20日,零氪科技首席架构师王晓哲,在清华大学“天池医疗AI大赛”第一季肺部结节智能诊断 《医学影像在肿瘤诊疗中的应用及智能诊断探索》发表演...

7557
来自专栏量子位

UC伯克利超酷研究:舞痴和舞王之间,只差一个神经网络

现在只要有别人跳舞的视频,你也随时都可以是视频里的主角,而且无需动辄昂贵的3D或是动作捕捉技术。

1204
来自专栏AI科技大本营的专栏

AI 行业实践精选:食向量——运用机器智能提高烹饪技能

【AI100 导读】人工智能将人类的思维转化为程序和算法,用计算机的、高速运行能力来提高效率,在一定程度上能替代人的部分功能。如今,随着人工智能的发展,出现了智...

34010
来自专栏MixLab科技+设计实验室

如何量化一张图片的色彩关系?

上一期讲到Brandmark提出了一种表达色彩比例及关系的数据结构,无向色彩节点图,见下图:

2282
来自专栏机器之心

观点 | 图灵奖得主Judea Pearl:机器学习的理论局限性与因果推理的七大特性

4676
来自专栏大数据挖掘DT机器学习

北大老鸟三年数据分析深刻总结——致学弟学妹们

以下是我在近三年做各类计量和统计分析过程中感受最深的东西,或能对大家有所帮助。当然,它不是ABC的教程,也不是细致的数据分析方法介绍,它只是“总结”和“体会”。...

7896
来自专栏镁客网

科普时间:OCR是人工智能的基础之一

3266
来自专栏机器之心

专访 | 先声教育CTO秦龙:有限的算法与无限的新意

36911
来自专栏新智元

图灵奖得主Judea Pearl:机器学习无法成为强AI基础,突破口在“因果革命”

来源:arXiv 编辑:新智元编辑部 【新智元导读】图灵奖得主、贝叶斯网络之父Judea Pearl日前在arXiv上传了他的最新论文,论述当前机器学习理论局限...

44411
来自专栏量子位

谷歌AI绘制大脑神经地图,开源代码帮你理清混乱的脑回路

1304

扫码关注云+社区

领取腾讯云代金券