《Brain-Apparatus Communication: A Journal of Bacomics》：Integrating artificial intelligence and noninvasive brain stimulation: toward precision interventions for depression
编辑推荐：
本文系统阐述了人工智能（AI）与无创脑刺激（NIBS）技术融合在重性抑郁障碍（MDD）治疗中的前沿进展。作者批判性分析了当前AI应用（如诊断筛查、聊天机器人）的局限性，提出以AI为核心引擎驱动精准神经调控的范式转变，重点探讨了基于预测模型的个体化靶点定位、自适应闭环疗法及脑数字孪生等关键技术路径，为发展预测性、个性化、精准化的精神病学干预提供了前瞻性路线图。
抑郁症治疗的困境与范式转变的必然性
重性抑郁障碍（MDD）是全球范围内致残的主要原因之一，据世界卫生组织2025年数据，全球约有3.32亿人受其影响。尽管已有药物和行为干预等成熟手段，但仍有相当比例患者疗效不佳，凸显了对更有效、更个性化干预策略的迫切需求。人工智能（AI）在精神健康领域的初步应用，如自动化诊断筛查和AI驱动的治疗性聊天机器人（如Wysa），虽在改善服务可及性方面展现出价值，但这些“第一波”技术主要在与自我报告的症状和行为模式层面进行交互，并未直接针对抑郁症背后的神经生物学改变。
与此同时，无创脑刺激（NIBS）技术，如重复经颅磁刺激（rTMS）和经颅直流电刺激（tDCS），能够直接调节与MDD相关的功能失调神经环路，显示出巨大潜力。然而，当前NIBS疗法普遍采用“一刀切”的策略，忽视了个体间大脑结构和功能以及抑郁亚型的差异，导致疗效存在高度变异性。这就形成了一个关键瓶颈：当前的AI工具缺乏生物学深度，而当前的神经调控技术则缺乏个性化和精准性。因此，将AI与NIBS协同整合，被视为应对这些挑战、迈向精准精神病学的最有希望路径。这要求实现一个根本性的范式转变——从经验性的试错治疗，转向数据驱动的、个性化的精准干预。
个性化、环路层面干预的必要性
MDD并非单一的症状或生物学实体，而是一个源于分布式脑环路功能障碍的复杂行为综合征，具有显著的个体间异质性。NIBS技术通过向头皮施加磁场脉冲或微弱电流，能够影响皮层兴奋性及下游神经元连接，为直接调控特定脑区和网络的活动提供了手段。例如，刺激左背外侧前额叶皮层（DLPFC）的标准方案对MDD有效，但基于群体平均环路功能障碍确定的DLPFC靶点，并非对每位患者都是最佳节点。
研究表明，闭环脑电图（EEG）同步的rTMS能产生更强的神经生理效应，包括增强DLPFC内的相位锁相以及更大程度地募集前扣带回皮层（ACC）等远端区域。这强调了利用实时、脑状态依赖的刺激来增强靶点参与度和治疗效果的潜力。将刺激与内在神经节律对齐，可以放大环路层面的调控，是迈向精准闭环神经调控的关键一步。然而，主要的挑战在于如何为每位患者独特的神经解剖和神经功能特征，确定精确、可行且个体化的刺激靶点和参数。AI恰恰擅长于此，它能快速整合大规模、多模态数据，检测细微的个体化环路功能障碍模式，从而克服群体平均方法的局限性。
AI引导的神经调控：新的治疗范式
AI与NIBS的融合创造了强大的协同效应，能将标准化程序转变为动态、个性化、自适应的干预措施。这一新范式主要体现在三个关键领域：
精准靶向、个体化刺激与生物标志物发现
机器学习方法已开始利用功能性磁共振成像（fMRI）连接等数据定义抑郁症的环路“生物型”。例如，发现默认模式网络（DMN）连接过度或不足可预测rTMS疗效，并与症状严重程度相关。通过在多模态数据上训练机器学习模型，AI可以识别最有可能参与目标环路并产生积极治疗反应的患者特异性刺激靶点，形成精准神经调控的基础。
在空间靶点优化方面，先进机器学习模型（如图神经网络GNNs）可用于评估个体神经影像数据。在时间优化方面，强化学习（RL）算法（如Twin Delayed Deep Deterministic Policy Gradient, TD3）有望优化NIBS的刺激时机。计算研究显示，RL代理能显著降低平均功耗，并减轻病理性的错误反应。结合卷积神经网络（CNN）创建高精度个体头部模型，能预测刺激诱导的扰动和实时EEG频谱变化，为响应驱动的个性化刺激策略奠定了基础。
自适应给量与闭环治疗
在症状和神经状态快速波动的抑郁症中，状态依赖性神经调控显得尤为重要。闭环系统利用实时神经活动（如EEG）作为反馈信号，指导刺激的施加方式和时机。例如，将rTMS与 prefrontal quasi-alpha节律同步，可在前额叶和扣带回区域产生强大的相位锁相效应。
AI方法（如贝叶斯优化或强化学习）能够解读这些神经信号，并持续调整NIBS参数（如强度、频率、脉冲模式），以将大脑维持在治疗状态。这创建了一个响应式系统，能够学习患者独特的神经动力学特征，并实时优化治疗“剂量”，从而在最大化疗效的同时，最小化潜在副作用。与开放式系统相比，闭环系统允许基于大脑功能动态在线或离线调整刺激参数，具有临床价值。
基于脑数字孪生的计算机模拟优化
脑数字孪生概念为在精神病学中模拟复杂脑动力学和预测临床结果提供了一个有前景的框架。构建功能性脑数字孪生涉及几个关键步骤：首先，利用结构MRI绘制个体特异性解剖结构，通常利用扩散加权成像（DWI）估计连接边的权重和长度；其次，将功能信号投射到这种连接组模型上，以初始化活动状态并定义区域间的时间动态耦合；第三，广泛使用循环神经网络（RNNs），如长短期记忆网络或门控循环单元，来整合结构和功能信息到动态脑网络模型中；最后，将模型衍生的轨迹映射到已知的临床反应上，使数字孪生能够为精准NIBS干预推荐个体化的刺激靶点、频率和强度。
这种计算机模拟平台使临床医生能够在治疗实施前模拟和比较数千种NIBS方案，估计对抑郁相关环路的下游调控作用，有可能减少与经验性试错优化相关的时间、成本和患者暴露。然而，当前数字孪生的准确性仍受基本尺度差距的限制。微观神经元模型在生理上丰富但全脑分辨率下计算成本高昂，而宏观模型计算效率高，但这些抽象模型与治疗干预诱导的高维生物变化之间的映射关系仍未充分了解。因此，数字孪生目前主要用于参数探索，而非作为唯一的确定性治疗预测器。
前景与挑战
AI与NIBS的整合为精准精神病学带来了巨大希望，但在广泛临床采纳之前，必须批判性地认识到若干方法学、转化和伦理方面的限制。主要瓶颈包括方法论和数据相关的约束，如需要大规模、高质量、多模态数据集，而当前数据常存在异质性。算法偏差和外部效度、模型可解释性与临床信任，以及伦理和监管考量（如AI指导治疗决策的责任、对自适应系统的患者同意等）都是需要解决的关键问题。通过跨学科合作和前瞻性临床验证应对这些挑战，对于将AI引导的NIBS从有前景的概念转化为可靠的临床工具至关重要。
结论
AI在MDD治疗中的作用正在经历深刻演变。虽然诊断辅助工具和聊天机器人等初步应用在增强可及性和支持方面已显示出明确价值，但未来在于利用AI直接参与该疾病的生物学基础。AI与NIBS的融合为打破长期以来定义精神病学治疗的、长达数十年的试错方法提供了最有希望的途径。通过实现精准靶向、自适应治疗和个性化建模，这种协同作用预示着一个预测性、个性化、精准化，并最终更有效的精神病学新纪元。
