Cell Reports Medicine||基于脑电图和AI的药物上瘾预测

生信老学长

本次老学长给大家分享的是来自Cell Rep Med的一篇关于脑电图机器学习的文章。如果大家有兴趣可以阅读原文。

一、背景：

甲基苯丙胺，也就是我们俗称的冰毒。根据2020年国家药物使用与健康调查，12岁及以上人群的甲基苯丙胺使用率在2017年至2020年间增长了超过50%。甲基苯丙胺使用障碍（MUD）既是疾病的特征，也是预测复发的指标。

然而，目前缺乏可靠的生物标志物来监测渴求和诊断MUD的指标。与功能性磁共振成像（fMRI）和正电子发射断层扫描（PET）等神经影像方法相比，头皮脑电图（EEG）具有高时间分辨率、低成本和便捷数据采集的优势。

二、方法：研究者利用高密度128通道静息状态脑电图，研究MUD的神经生理连接组，并识别个体层面异常和渴求的生物标志物。

1、群体：153名受试者（101名MUD患者和52名匹配良好的健康对照[HC]个体），划分数据集1和2作为发现集和验证集。

2、目标变量：观看了一段5分钟涉及甲基苯丙胺使用的视频。参与者完成视觉模拟量表（VAS）,范围从0（表示完全没有欲望）到100（代表强烈且压倒性的冲动）。并分为睁眼和闭眼两种状态。

3、特征：高密度128通道静息状态脑电图

4、特征提取与处理：

（1）预处理：

a、降采样减少数据量：将采集到的500 Hz的原始数据降低到250 Hz。

b、去除高频和低频噪声：去除50 Hz功率频率噪声，1 Hz至100 Hz之间通过零相有限脉冲响应滤波器进行带通滤波。

c、坏道剔除与插值：提出桥接通道和噪声通道等坏通道，通过球形插值法来估算并替换坏道的信号

d、去除伪迹段：ARTIST算法剔除包含大幅值、快速跳变等非脑源性信号的数据段，

e、分离混合的信号：独立成分分析（ICA）和扩展信息最大化算法来分解独立成分，通过PCA方法去除不良成分。

f、联合生理意义：时间序列被过滤到delta (1–3 Hz), theta (4–7 Hz), alpha (8–12 Hz), beta (13–30 Hz) and gamma (31–50 Hz)

（2）源头定位-头皮记录的信号“反推”回大脑皮层-位置分类：使用Brainstorm工具箱中的标准头模型。得到了大脑皮层表面3003个顶点中每个顶点的活动时间序列。

（3）兴趣区划分（ROI）-峰值功能分类：基于基于ICA簇峰值的静息态fMRI功能连接性独立分组，对31个ROI进行了连接性分析。利用奇异值分解（SVD）提取了时间序列的主导信号，在ROI级别将第一个奇异向量视为信号。这31个ROI被划分为6个网络。

（4）功能连接网络构建--ROI之间的联系：使用虚数相干（iCoh）揭示了皮层相互作用，计算了5个载波频段和2种静息眼病中465对独特ROI对的iCoh连通性。

（5）特征查看：计算了渴求与FCN之间的相关性，比较MUD患者与健康对照（HC）之间的FCN。

图片

（6）模型构建：相关向量机（RVM）

输入使用带有脑电图数据线性核的相关向量机（RVM）构建稀疏线性回归模型，以从连接特征进行预测

a、回归：预测视觉模拟量表分数

b、分类：构建稀疏分类模型以区分MUD和HC

5、判别标准：准确性、敏感性（真阳性率）、特异性（真阴性率）和受试者工作特征曲线下的面积（AUC）

三、结果：

1、分组分析

睁眼静息（REO）条件下

a、δ频率带:

渴望值与LINS（左岛叶）-右眼回（RORB）之间存在显著相关性。

b、β波段

LPMFG（左后中额回）-MPFC连接存在显著相关性。

右侧缘上回-PCC（后扣带皮层）连接存在显著相关性。

2、个体层面的渴求值预测--回归结果

在所有频段和静息条件中，基于睁眼静息β波段（REO beta） 的模型预测性能最高，主要驱动力来自默认模式网络（DMN）和额顶控制网络（FPN） 的核心连接，特别是 MPFC-LPMFG 和 PCC-RSUP 的连接。

睁眼静息δ波段（REO delta） 的模型也表现出显著的预测能力，主要由涉及额顶控制网络（FPN）、腹侧注意网络（VAN）和背侧注意网络（DAN）的连接驱动

3、识别MUD患者的标志物--分类结果

睁眼静息β波段（REO beta）模型在所有频段和静息条件下表现出最佳的分类性能及最高的受试者工作特征曲线下面积。

4、利用传感器空间谱功率特征进行机器学习分析

使用没有进行基于源空间连接性的模型进行预测。

a、对于渴望得分的预测，只有REO的α幂特征产生了显著的预测模型，但仍远低于REO beta iCoh。

b、关于MUD和HC个体的分类，远低于使用源空间REO beta iCoh特征的FCN模型80.95%的准确率。

四、讨论及结论：

这个研究揭示了REO β FCN作为MUD生物标志物的潜力，以及识别MUD个体异常的生物标志物潜力。通过脑区与默认网络、额顶控制网络和突显网络的关系解释了甲基苯丙胺使用障碍。

注：本文章作者给出了源代码。

五、参考文献：

Tian, Weiwen et al. “An electroencephalographic signature predicts craving for methamphetamine.” Cell reports. Medicine vol. 5,1 (2024): 101347. doi:10.1016/j.xcrm.2023.101347

VX公众号：生信老学长