《Translational Psychiatry》：Prediction of depressive episodes based on clinical features, cognitive characteristics, inflammation-related proteins, and EEG data
编辑推荐：
本研究旨在解决抑郁症缺乏客观诊断生物标志物的问题。研究人员整合了临床特征、认知功能、脑电微状态及血清炎症蛋白等多模态数据，利用六种机器学习算法构建诊断预测模型。结果表明，KNN模型性能最佳，多模态诊断准确率达95.08%，识别出IL-8、IL-18等关键特征。该模型为提升抑郁症临床诊断的准确性与客观性提供了新工具。
抑郁症作为一种常见的精神障碍，其诊断长期依赖医生的主观访谈和量表评估，犹如“雾里看花”，缺乏如同高血压测量仪或血糖试纸那样客观、可量化的“尺子”。这种临床实践中的困境，直接导致了诊断的准确性不足、治疗反应个体差异大等难题。尽管机器学习技术在精神医学领域的探索日益增多，但开发一个能融合多种客观指标、真正可靠且高效的诊断工具，仍然是该领域亟待攻克的堡垒。为此，一项发表在《Translational Psychiatry》上的研究，进行了一次大胆且系统的尝试——它不再满足于单一维度的观察，而是将临床特征、认知功能、大脑电活动（脑电）的瞬时全局模式（即脑电微状态），以及血液中与炎症相关的蛋白质这四把“钥匙”串联起来，旨在构建一个能更准确预测和诊断抑郁症的智能模型。
为了开展这项研究，研究人员主要采用了以下几种关键技术方法：首先，建立了包含115名抑郁症患者和66名健康对照者的样本队列，并系统采集了其临床、认知、脑电及血清蛋白数据。其次，对抑郁症患者进行了为期4周的临床治疗随访，其中56人完成了与基线调查内容一致的随访评估，以此构建模型验证集。核心的分析手段是应用六种经典的机器学习算法（决策树、随机森林、XGBoost、LightGBM、k近邻和支持向量机）对训练集（抑郁症基线组与健康对照组）数据进行建模，并在验证集（随访组与健康对照组）上评估模型性能，以筛选最优诊断预测模型。通过这种多模态数据整合与机器学习模型验证的研究策略，来探寻抑郁症的客观诊断生物标志物组合。
研究结果
患者与健康对照者在多维度指标上存在显著差异
研究首先发现，与健康对照组相比，重度抑郁症（Major Depressive Disorder, MDD）患者在临床特征、认知功能、脑电微状态参数以及血清炎症相关蛋白水平等多个维度均表现出显著差异。这初步证实了从这些维度探寻生物标志物的可行性。
K近邻（K-Nearest Neighbor, KNN）模型在多模态诊断中表现最佳
在六种机器学习模型的性能比拼中，K近邻模型脱颖而出，展现了最优的预测能力。该模型基于融合多模态数据（临床、认知、脑电微状态、炎症蛋白）进行诊断时，准确率高达95.08%，F1分数为0.9545，受试者工作特征曲线下面积（AUC）值达到了0.9969，显示出极高的区分效能。
关键特征重要性排序揭示了核心生物标志物组合
通过对模型特征重要性的分析，研究识别出了一组对抑郁症诊断预测贡献最大的关键指标，并按重要性降序排列为：白细胞介素-8（IL-8）、白细胞介素-18（IL-18）、失眠严重指数（ISI）、基质金属蛋白酶-8（MMP-8）、CD40分子、胱天蛋白酶-8（CASP-8）、视觉空间/建构能力，以及脑电微状态D的平均持续时间。这一组合涵盖了炎症、睡眠、认知和大脑网络动态等多个层面。
研究结论与讨论
本研究成功构建并验证了一个基于多模态、多指标的抑郁症诊断预测模型。该模型融合了血清炎症蛋白（IL-8, IL-18, MMP-8, CD40, CASP-8）、睡眠问题（ISI）、特定认知域（视觉空间/建构能力）以及反映大脑大规模网络动态特性的脑电微状态D的时长特征。其中，性能最佳的K近邻模型实现了超过95%的诊断准确率，表明这一生物标志物组合具有强大的分类潜力。
这项研究的意义十分重大。它首次将临床表型、认知评估、神经电生理和分子生物学指标在同一个研究框架内进行系统性整合，并通过机器学习算法筛选出了核心特征集，为抑郁症的客观诊断提供了超越单一模态的、更具综合性和说服力的解决方案。所识别出的关键特征，如IL-8、IL-18等炎症因子，以及脑电微状态D，不仅作为潜在的诊断生物标志物，也为深入理解抑郁症的病理生理机制——特别是神经炎症假说和大脑网络功能障碍——提供了新的线索和跨尺度的证据链。该模型若能在更大规模、更独立的数据集中得到进一步验证与优化，将有望转化为辅助临床决策的可靠工具，推动精神医学诊断从主观经验判断向客观数据驱动迈进，从而实现更精准的个体化诊疗。
