《Journal of Affective Disorders》：Dynamic brain state instability as a candidate indicator of conversion risk from major depressive disorder to bipolar disorder: An MEG study
编辑推荐：
双相情感障碍早期诊断研究采用动态脑网络建模方法DyNeMo，分析87例MDD和55例BD患者的基线脑动态特征，发现转换组（tBD）和未转换组（UD）在低频背景网络动态稳定性（转换率SR和占据分数FO）上显著异于BD组和健康对照组，提示脑动态异常可作为早期诊断指标。
Moxuan Song|Qian Liao|Wenyue Gong|Lingling Hua|Azi Shen|Yinghong Huang|Rui Yan|Jiabo Shi|Hao Tang|Zhijian Yao|Qing Lu
南京医科大学附属脑医院精神病学系，中国南京 210029
摘要
背景
双相情感障碍（BD）的早期识别具有挑战性，尤其是当首次发作表现为抑郁并被误诊为重度抑郁症（MDD）时。错误分类会延迟适当的治疗。虽然之前的研究关注静态成像特征，但新的证据表明，短暂的、特定频率的神经动态可能提供更敏感的候选指标。
方法
我们纳入了87名MDD患者和55名BD患者。在随访过程中，33名MDD患者转化为BD（tBD），54名患者保持单相（UD）。使用DyNeMo模型分析基线静息态MEG和MRI数据，以表征毫秒级的振荡状态。通过排列ANOVA评估组间动态指标的差异。
结果
识别出六种动态脑状态。状态2的转换率（SR）以及状态4的分数占据率（FO）和SR在组间存在显著差异。tBD和UD组在状态2和4的SR高于BD和HC组，其中tBD在状态4的SR最高。
局限性
本研究的样本量有限，无法完全验证UD患者的诊断转换情况，且无法完全排除教育水平和药物使用带来的混杂因素。
结论
低功率背景网络的不稳定性增加是tBD的特征，可能反映了基线神经稳态的破坏。这一动态特征可以作为识别从UD转化为BD风险较高个体的候选神经影像学指标。
引言
双相情感障碍（BD）是一种严重的精神疾病，其核心特征是抑郁和躁狂/轻躁狂之间的反复波动（McIntyre等人，2020年）。由于其首个症状通常是抑郁，并且缺乏典型的躁狂表现，BD患者在临床早期容易被误诊为重度抑郁症（MDD）（Hirschfeld等人，2003年；Fritz等人，2017年；Ratheesh等人，2017年）。随着疾病的进展，某些患者可能会逐渐出现躁狂或轻躁狂发作，需要重新诊断为BD（Thase，2005年）。这种误诊不仅会延迟治疗，还可能导致不适当的干预策略，增加患者病情恶化和复发的风险（Mattes，2006年；Baldessarini等人，2013年；Kapczinski等人，2023年；Desai Bostr?m等人，2024年）。因此，如何明确通常处于抑郁首次发作的BD患者的诊断已成为精神病学领域面临的重要挑战。
尽管神经影像学技术有所进步，但可靠的早期BD识别候选指标仍然缺乏。目前，只有少数研究关注BD的早期识别，主要是对MDD患者的纵向随访研究。例如，功能性磁共振成像（fMRI）研究发现tBD患者在功能连接性和网络拓扑结构上与MDD患者不同（Sun等人，2025年），并发现白质微结构异常结合扩散张量成像（DTI）和fMRI可能具有早期识别价值（Sun等人，2024a）。此外，Tao（Tao等人，2023年）使用脑电图（MEG）和网络统计方法识别tBD中的异常连接模式，突出了其与MDD的潜在差异。尽管这些研究提供了有希望的见解，但大多数研究仅关注静态特征，未能有效反映大脑活动的时间动态变化。因此，当前的研究可能会忽略从单相障碍（UD）向BD转换过程中的短暂动态异常，仍然缺乏稳定和客观的识别指标。
近年来，神经科学研究越来越认识到，高效的大脑功能依赖于不同神经网络之间的动态切换和协调互动（Light等人，2010年；Khanna等人，2014年；Musso等人，2010年）。这种大脑状态的动态变化被认为与多种高级认知功能密切相关，包括认知灵活性（Lee等人，2022年；Schlemm等人，2022年）、注意力调节（Weber等人，2025年）和情绪反应（Ganesan等人，2025年）。在健康个体中，灵活的大脑状态转换有助于适应复杂环境和完成任务（Yao等人，2025年；Gohil等人，2022年），而在各种神经精神障碍中，这种大脑状态的灵活性往往受损。例如，精神分裂症、癫痫、睡眠剥夺和抑郁患者的状态转换频率、稳定性或控制能力均存在异常（Zhang等人，2025a；Diaz Verdugo等人，2019年；Wang等人，2025年；Shu等人，2025年）。
为了量化这种动态变化，已经开发了多种建模方法，包括动态功能连接性分析（dFC）（Sun等人，2024b；Xing等人，2024年；Asendorf等人，2024年）、隐马尔可夫模型（HMM）（Geng等人，2025年；Javaheripour等人，2023年；Zhang等人，2022年）和动态网络模式（DyNeMo）模型（Gohil等人，2022年）。尽管MEG研究揭示了BD中的频谱特征和振荡协调异常（Xia等人，2024年），但尚未有研究系统地将高时间分辨率的动态脑网络建模应用于随后发展为BD的MDD患者（tBD）。随着大脑动态越来越被视为精神障碍的候选指标，我们假设BD患者在早期抑郁阶段可能已经表现出与MDD患者不同的毫秒级动态脑网络活动。这些差异可能与情绪发作转换的潜在机制密切相关。
为此，本研究使用先进的动态脑网络建模方法DyNeMo来识别所有参与者的脑动态网络，然后比较tBD、MDD、BD患者和健康对照组（HC）之间的基线脑状态谱功率及其时间特征，以发现可用于早期识别BD的潜在神经动态标记。
部分摘要
参与者
所有参与本研究的患者均在2009年至2024年间因急性MDD或BD抑郁发作住院于南京医科大学附属脑医院。基线招募后进行了纵向随访。
基线时共有87名患者纳入本研究，所有患者均符合DSM-IV/V（Arnold和Ropert，2000年）的MDD诊断标准，使用中文版Mini-International Neuropsychiatric量表确定。
动态网络模式（DyNeMo）
动态网络模式是一种用于从时间序列数据中无监督推断动态脑网络的新颖生成建模方法。DyNeMo通过长短期记忆（LSTM）神经网络建模潜在变量，捕捉数据的长程时间相关性，并通过多元正态分布建模表示大脑的时变均值和协方差。
与HMM相比，DyNeMo克服了两个关键限制：首先，它替换了
人口统计和临床特征
人口统计信息见表1。tBD、UD、BD和HC组在年龄和性别上没有显著差异。然而，在教育年限（p?p?p?=?0.006）和发病年龄（p?=?0.021）方面存在显著差异。
讨论
在本文中，我们采用了先进的DyNeMo模型来识别数据驱动的静息脑状态，并比较了tBD、UD和BD之间的瞬时脑状态动态特征。利用DyNeMo模型，我们识别出六种不同的静息态脑活动亚模式。我们的发现表明，在状态2（DMN）中，tBD和UD的SR高于BD和HC，这表明tBD和UD频繁进入和退出这种状态。这可能反映了
局限性
本研究存在几个需要进一步探讨的局限性。首先，它仅关注经历抑郁发作的患者，因此无法确定某些UD病例是否会最终发展为BD，从而影响组间差异的解释。需要持续的纵向随访来确认诊断的稳定性。其次，由于严格的成像要求和随访退出，样本量相对较小，可能会降低统计功效。
CRediT作者贡献声明
Moxuan Song：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法学，调查，正式分析，概念化。Qian Liao：撰写 – 原稿，方法学，正式分析，概念化。Wenyue Gong：撰写 – 审稿与编辑，正式分析。Lingling Hua：数据管理。Azi Shen：撰写 – 审稿与编辑。Yinghong Huang：撰写 – 审稿与编辑。Rui Yan：撰写 – 审稿与编辑。Jiabo Shi：撰写 – 审稿与编辑。Hao Tang：数据
资助
本项目得到了国家自然科学基金（82151315、82271568、82101573、82301718）、江苏省精神疾病医学创新中心（CXZX202226）、江苏省重点研发计划（BE2019675、BE2023667）、苏州市社会发展科技创新重点项目（2022SS04）和江苏省自然科学青年基金（BK20230154）的支持。
致谢
我们衷心感谢所有参与者在整个研究过程中的合作与支持。同时，我们也非常感谢数据收集和处理阶段工作人员的宝贵帮助。此外，我们特别感谢成像技术团队的专业支持和技术专长。
