利用深度學習分析腦電圖數據，協助抑鬱症診斷並預測抗抑鬱藥物療效

由澳門大學認知與腦科學研究中心（CCBS）助理教授葉靜婷參與的國際合作研究，利用深度學習算法分析來自全球六個獨立數據集的腦電圖（EEG）數據，成功區分重度抑鬱症（MDD）患者與健康對照者，並以接近80%的準確率預測選擇性5-羥色胺再攝取抑制劑（SSRI）的治療反應。研究成果已發表於國際期刊《Communications Medicine》。

重度抑鬱症是全球疾病負擔最高的疾病之一，然而現有診斷方法仍以主觀評估為主，且第一線抗抑鬱藥物的應答率僅約五成。患者往往需要反覆嘗試不同藥物，歷時數週至數月方能找到有效治療方案。腦電圖作為一種成本低廉、時間分辨率高且臨床廣泛可用的腦功能監測工具，在精神醫學領域長期未被充分利用。近年，深度學習技術為腦電圖的臨床應用帶來了新的突破契機，但過往研究多受限於單一數據集或方法學偏差，難以驗證模型的泛化能力。

本研究整合來自世界各地不同實驗室的六個大型獨立數據集，涵蓋146名健康受試者及203名重度抑鬱症患者的閉眼靜息態腦電圖數據。研究團隊採用卷積神經網絡（CNN）深度學習模型，僅使用10個通道的腦電圖記錄（採樣率 250 Hz），訓練模型區分患者與健康對照者，並預測患者對 SSRI 藥物的治療反應。為了確保模型的普適性，模型在完全未見的受試者數據上進行測試，並進一步運用梯度加權類激活熱圖（Grad‑CAM）技術，識別對分類決策最具影響力的腦電圖特徵。

結果顯示，該模型在區分重度抑鬱症患者與健康對照者方面，平均準確率達67.5%（最佳fold為70%），敏感度68.4%，特異度66.7%。在預測SSRI治療反應方面，模型表現更為出色，平均準確率達79%（最佳fold為85%），敏感度75%，特異度87.5%，顯著優於十種傳統機器學習算法及EEGNet架構。Grad‑CAM分析揭示，額葉及頂葉區域的alpha頻段活動（8–12 Hz）是診斷及預測分類的關鍵腦電標誌物，其中右側額葉F4電極對於預測治療反應權重最高。臨床決策模擬顯示，當模型預測準確率達80% 時，治療所需人數（NNT）為五，可將 SSRI 治療的整體應答率從基線的 50% 提升至70%。

上述發現表明，基於腦電圖的深度學習模型具有重大臨床應用潛力，有望協助精神科醫生在治療開始前便識別出最可能從 SSRI 治療中獲益的患者，從而減少無效的試藥週期，加速患者康復進程。該方案僅需低成本的10通道設備即可實施，極具臨床推廣價值，為精神科的精準醫療及分層治療策略提供了新的客觀神經生理學依據。

本研究獲得澳門大學（SRG2023‑00040‑ICI、MYRG‑GRG2024‑00022‑ICI）及澳門科學技術發展基金（FDCT, 0092/2025/ITP2）的資助。

全文可查閱：https://doi.org/10.1038/s43856-026-01394-z

新聞來源：澳門大學認知與腦科學研究中心