《Computational Visual Media》：AI-Powered Repetitive Transcranial Magnetic Stimulation Personalized Treatment Recommendation for Depression Based on Patient Profiles
编辑推荐：
本文针对抑郁症患者异质性导致的重复经颅磁刺激(rTMS)疗效差异问题，开发了一种基于对比学习(CL)的AI个性化治疗推荐系统。研究通过多源患者特征构建文本化病历档案，利用BERT等编码器生成患者表征，在嵌入空间检索Top-k相似病例推荐治疗方案。结果显示该模型推荐准确率(Acc@Top-5)达77.3%，且接受AI推荐方案的患者在SDS、HAMD等量表改善程度显著优于对照组(p<0.005)。该研究为精神疾病精准医疗提供了可解释的决策支持工具。
抑郁症作为全球致残率最高的精神疾病之一，传统药物治疗存在有效率低、副作用大等局限。重复经颅磁刺激(rTMS)作为一种非侵入性神经调控技术，已被证实对治疗抵抗性抑郁(TRD)具有显著疗效。然而临床实践中，rTMS的刺激模式、强度、持续时间等参数多依赖医生经验决策，缺乏个性化方案优化，导致疗效存在较大个体差异。这种"一刀切"的治疗模式不仅影响患者预后，也造成医疗资源的低效利用。
为破解这一难题，香港都会大学徐玲玲博士团队在《IEEE计算社会系统汇刊》发表创新研究，首次将对比学习(CL)技术应用于rTMS治疗方案推荐系统。研究团队收集了100例抑郁症患者的全景临床数据，包括人口统计学特征、病程信息、用药情况以及SDS（抑郁自评量表）、HAMD（汉密尔顿抑郁量表）等多维评估指标。通过数字-文本转换技术，将结构化病历转化为自然语言描述，构建了标准化的患者档案库。
研究核心技术在于采用对比学习框架增强患者表征质量。该方法将每位患者治疗前后的临床档案作为正样本对，通过对比损失函数使相似病例在嵌入空间中聚集。团队系统比较了MLP（多层感知机）、RNN（循环神经网络）、CNN（卷积神经网络）和BERT四种编码器的性能，发现基于Transformer的BERT模型在捕捉病历文本语义特征方面表现最佳。
在治疗方案推荐阶段，系统通过计算新患者与历史病例在嵌入空间的余弦相似度，检索Top-k最相似病例（默认k=10），并聚合其rTMS参数形成个性化推荐。其中刺激模式采用Top-1病例的方案以保证临床可解释性，而刺激强度和持续时间则取Top-k病例的平均值以提升鲁棒性。
关键技术方法包括：1）基于模式填充的多源数据预处理；2）Glove-6B-50D词嵌入与BERT上下文编码；3）SimCSE框架的对比学习优化；4）Top-k相似病例检索与参数聚合策略。实验采用五折交叉验证，评估指标涵盖推荐准确率、心理量表分降低值和Cohen's d效应量。
模型性能比较
四种编码器中，BERT在Acc@Top-5指标上达到77.31%的最高准确率，显著优于传统机器学习方法。消融实验证实对比学习模块对提升模型性能具有关键作用，特别是对BERT模型，加入CL后Acc@Top-1提升达13%。
治疗效果验证
通过将患者按实际治疗方案与AI推荐方案的相似度分组，发现高相似度组（个性化治疗组）在SDS量表分降低（7.70 vs 6.46）和效应量（Cohen's d=0.61 vs 0.46）上均显著优于低相似度组。t检验结果显示个性化治疗组改善程度达到统计学显著水平（p=0.0031），而标准治疗组未达到显著标准（p=0.0228）。
参数敏感性分析
Top-k值系统测试表明，当k=10时模型在准确率与稳定性间达到最佳平衡。此时各编码器标准偏差最小，且推荐方案兼具个性化和临床可操作性。
本研究开创性地将对比学习应用于精神疾病治疗决策支持，证实了AI驱动的个性化rTMS方案在提升抑郁症治疗效果方面的潜力。相比依赖功能磁共振(fMRI)等昂贵神经影像学的现有方法，该技术仅需常规临床数据即可实现精准推荐，具有显著的临床推广价值。尽管存在样本量有限、缺乏神经生物学标志物等局限，但为精神医学数字疗法提供了新范式。未来通过纳入脑电(EEG)、功能连接组等多模态数据，并结合随机对照试验(RCT)验证，有望进一步推动精准精神医学的发展。
[1]世界卫生组织. 抑郁症实况报道. 2021
[2]Fitzgerald PB等. 美国精神病学杂志. 2006;163(1):88-94
[3]Gao T等. 自然语言处理实证方法会议录. 2021:6894-6910
