《BMC Psychiatry》：Altered functional brain network in adolescents with non-suicidal self-injury: a resting-state EEG study
编辑推荐：
本研究针对青少年非自杀性自伤（NSSI）的神经病理机制尚不明确的问题，研究人员利用静息态脑电图（EEG）技术，结合相位锁值（PLV）、加权相位滞后指数（wPLI）和机器学习等方法，对NSSI青少年的脑功能连接和网络拓扑属性进行了探索。结果表明，NSSI患者在alpha频段功能连接减弱，在theta频段连接增强且网络效率升高，这些改变与述情障碍量表评分相关，并提供了潜在的生物标记物和治疗靶点。
青少年时期是身心发展的关键阶段，然而，非自杀性自伤（Non-Suicidal Self-Injury, NSSI）行为，一种不以自杀为目的、直接、蓄意地伤害自己身体组织的行为，在这一群体中越来越令人担忧。NSSI不仅会带来即时性的身体伤害，更会严重影响青少年的心理健康，增加日后罹患精神障碍的风险，乃至与自杀风险密切相关。目前，尽管NSSI的流行病学数据不断积累，但其背后复杂的神经生物学机制，尤其是大脑功能网络层面是如何运作和改变的，仍是一个“黑箱”，这严重制约了有效干预措施的开发。传统的评估多依赖于临床访谈和量表，缺少客观的生物学标志物。为了揭开NSSI神经机制的神秘面纱，研究人员将目光投向了大脑的“无字天书”——脑电波。
由于NSSI的脑网络功能连接模式变化尚不清楚，而脑电图（Electroencephalogram, EEG）凭借其毫秒级的高时间分辨率优势，已被广泛应用于精神障碍的脑功能研究。因此，探究NSSI青少年的大脑功能连接（Functional Connectivity, FC）和网络特征变化具有重要的科学价值和临床意义。近期，一项研究发表在《BMC Psychiatry》上，旨在为理解NSSI的神经病理机制提供新的证据，并为治疗寻找潜在的靶点。
为了回答上述核心问题，该研究团队设计了一项基于静息态脑电的分析。他们招募了50名伴有抑郁发作的NSSI青少年和25名健康对照者，采集了睁眼静息状态下的脑电信号，并进行了临床量表评估。在技术方法上，研究巧妙地将多种先进分析手段结合：首先，利用相位锁值（Phase Locking Value, PLV）和加权相位滞后指数（weighted Phase Lag Index, wPLI）这两种方法，分别构建了大脑的功能连接网络，以评估不同脑区之间的同步性。其次，运用图论分析（graph theory analysis）对构建的脑网络进行量化，提取了包括特征路径长度、聚类系数、全局效率和局部效率在内的拓扑属性指标。最后，他们还采用了机器学习分析，将上述计算得到的特征用于区分NSSI患者和健康对照，以验证这些神经指标的鉴别效能。
研究结果通过多角度的分析，揭示了NSSI青少年大脑功能网络的显著异常。
脑功能连接分析结果
在比较NSSI组和健康对照组时，研究发现，基于wPLI和PLV构建的网络均显示，NSSI青少年在alpha频段的功能连接显著降低。这表明，在通常与放松、抑制性控制相关的脑电节律上，患者大脑各区域间的协调性出现了减弱。同时，在PLV构建的脑网络中，NSSI组在theta频段表现出显著增强的功能连接和网络效率。theta频段常与情绪加工、记忆和内省等活动相关，其连接的过度增强可能与NSSI患者异常的情绪处理过程有关。
脑网络拓扑属性分析结果
对PLV构建的网络进行图论分析发现，在delta和theta频段，NSSI组的特征路径长度（characteristic path length）减少，而聚类系数（clustering coefficient）、全局效率（global efficiency）和局部效率（local efficiency）则增强。特征路径长度变短意味着信息在大脑网络中的传递速度可能更快，而效率指标的提升则暗示网络的信息整合和处理能力发生了改变。更为关键的是，这些网络拓扑属性的改变（特别是在delta/theta频段）与临床量表评分，特别是多伦多述情障碍量表（Toronto Alexithymia Scale, TAS）的得分存在关联。述情障碍指的是个体识别、描述自身感受的能力存在困难，这为NSSI行为（一种可能的外在情绪表达或调节方式）的神经基础提供了可能的解释线索。
机器学习分类结果
在尝试将这些神经指标转化为潜在生物标志物的探索中，研究团队进行了机器学习分类。结果表明，综合使用PLV和wPLI两种方法导出的特征，并采用逻辑回归（logistic regression）分类器时，取得了最佳的NSSI与健康对照的分类性能。这提示，结合多种脑网络度量指标，可以更有效、更可靠地从神经生理层面识别NSSI个体。
综上所述，这项研究通过整合静息态脑电、功能连接、图论和机器学习分析，系统描绘了伴有抑郁发作的NSSI青少年大脑功能网络的独特改变。核心结论包括：NSSI青少年的大脑表现出alpha频段功能连接减弱和theta频段连接增强/网络效率升高的频段特异性异常；其脑网络的拓扑结构在低频段（delta/theta）倾向于向更高效、更整合的方向重组，且这种重组与述情障碍的严重程度相关；结合PLV和wPLI特征的机器学习模型能有效区分NSSI患者与健康人。这些发现首次在静息态脑电层面，为NSSI的神经病理机制提供了关于功能连接和网络效率失衡的新证据。它不仅深化了我们对NSSI作为一种独立于抑郁症状的潜在神经基础的理解，更重要的是，所识别出的异常脑电频段（如theta）和网络效率指标，为未来开发基于神经反馈、经颅磁刺激等靶向性神经调控治疗提供了潜在的作用靶点。同时，研究展示的机器学习分类潜力，也为未来构建客观、量化的NSSI辅助评估工具指明了方向。这项研究是连接NSSI复杂行为表型与其背后大脑网络动力学的一座重要桥梁。
