Personalized brain circuit scores identify clinically distinct biotypes in depression and anxiety

個體化大腦電路分數鑑別出憂鬱與焦慮的臨床異質性生物型

IF:50.0
SCI

摘要

憂鬱症與焦慮症患者在神經生物學上呈現高度的異質性，單一診斷標籤往往涵蓋多種不同的神經迴路功能失調，導致治療反應因人而異。
本研究提出一種定量且可解釋的方法，透過個體化的大腦電路分數評估患者的大腦功能迴路異常，據此將憂鬱與焦慮患者分成六種生物型。
這些分數來自於標準化功能性磁振造影 (fMRI) 所獲得的靜息態 (task-free) 連結和任務態 (task-evoked) 活動資料 👉 不是只有測量DMN
- 涵蓋預設模式、突顯性、前額頂注意等大尺度內在網絡的功能連結，以及情緒與認知任務引發的額葉及皮質下區域活動/連結。
- 透過ML非監督階層式分群，鑑別出六大生物型，各自展現獨特的腦迴路功能失調模式。
- 這6類型在症狀表現、認知/情緒處理的行為表現以及對藥物或心理治療的反應上均有顯著差異。
研究結果說明：基於理論推導的電路指標可有效解析傳統診斷下隱含的生物學差異，為精神醫學的精準治療提供了一條可行途徑。

研究背景與動機：異質性挑戰與生物型概念的興起

傳統診斷與治療困境：異質性與一體適用的迷思

憂鬱症與相關焦慮疾患在全球構成嚴重的公共健康負擔。但現行的精神科診斷體系（如DSM）往往以臨床症狀為基礎，將形形色色的患者歸為單一診斷標籤，例如重度憂鬱症 (MDD) 或廣泛性焦慮症 (GAD)。

這種「一種疾病，一個標籤」的做法忽略了不同患者間潛在神經機制的多樣性 。👉 治療的成敗帶有相當隨機性：超過三分之一的憂鬱症患者與將近一半的焦慮症患者對第一線治療無反應。臨床上通常只能透過反覆試藥 / 試療的試錯法來尋找有效的方案，耗時且可能延誤黃金治療期。這種困境凸顯出目前診斷與治療策略的精準度不足。

造成上述問題的關鍵在於：異質性。就以重度憂鬱症為例，可能有截然不同的致病途徑與神經迴路失調潛藏其中。某些患者或許是情緒調節迴路的問題，另一些則可能是認知控制網絡的功能異常。然而傳統診斷將他們統稱為“MDD”，導致治療無法對症下藥。同理，在焦慮相關的各類疾患（廣泛性焦慮、恐慌症、社交焦慮、強迫症、創傷後壓力症等）中，也存在大量共病與症狀重疊，使單一診斷不足以反映患者的神經生物學差異。這些都呼喚著新的分類方式來補充傳統診斷。

### ML/DL模型之所以泛化能力差，會不會就是因為異質性？！
- 資料庫越大，算出來的結果反而越差 👉 因為納入更多的異值性
	- 但資料庫越大，預測出來的結果泛化能力越好（因為有更多的異值性被考慮進去）
	  
-  資料庫越小，數字雖然好看，但LOSO結果都不佳

生物型 (Biotype)：以腦迴路劃分患者的新典範

為了解決上述難題，研究人員提出了「生物型（Biotype）」概念，即基於生物學指標（尤其是大腦迴路功能模式）的患者分群方法。這種做法試圖將相似的神經失調模式的患者歸類在一起，形成與傳統症狀分類不同的亞型。理論上，每種生物型對應特定的神經病理機制，因此可能需要不同的治療策略。

過去若干研究已開始探索以大腦網絡活動來分類憂鬱/焦慮患者。例如 Drysdale 等人在 2017 年的開創性工作中，利用靜息態功能連結鑑別出數個憂鬱症的亞型，這些亞型展現不同的大腦連結異常，且對重複經顱磁刺激 (rTMS) 的反應有所差異。

然而，此類研究多半侷限於靜息態 fMRI，僅能捕捉內在連結網絡的差異。靜息態分析雖提供了腦區間基線連線強度，但缺乏對特定認知或情緒處理過程中腦功能的直接測量。結果是，所定義的亞型可能無法全面反映患者在情緒反應或認知控制方面的差異。 👉Yeh的ML相關模型，就有納入VR等刺激（非單純靜息態）

以資料驅動的方法（機器學習ML對全腦連結矩陣分群）找出的分型，往往缺乏明確的神經解釋 👉大部分都是先找出連接，再來找相關文獻支持
- 難以指稱每個群組對應哪些已知的神經迴路功能。因此，可解釋性與臨床可用性受到限制
- 或者找出來的連接只是少樣本之下的偶然，但卻可以寫Paper說是重大潛在發現

Note: 本研究所定義的六種生物型並不與傳統診斷一一對應。例如，屬於某個腦迴路生物型的患者當中，同時可能包含單一診斷或多重共病的案例。
分析發現，這六類型跨越了憂鬱症、焦慮症以及相關共病疾患的診斷邊界 。這種跨診斷（*transdiagnostic*）的分類方式說明，以腦功能迴路為基礎的生物型，能夠揭示傳統診斷所隱藏的生物學差異。

理論驅動的神經指標：精準精神醫學的新希望

Williams 因親身經歷伴侶罹患憂鬱症且治療失敗，而致力於精準精神醫學 (precision psychiatry) 的研究。她所帶領的團隊強調，一套有理論基礎的神經指標應被建立，用以量化患者大腦中具一致性的功能失調模式。理想上，這些指標既能個體化（反映每位患者自身的腦功能偏離程度），又具可解釋性（對應明確的神經迴路功能），從而避免傳統機器學習黑盒模型在臨床應用上的侷限。

基於上述理念，本研究提出一種新穎的方法：利用標準化的 fMRI 腦功能測試為患者計算一組「大腦電路分數」，每個分數對應特定的大型腦迴路功能。這些迴路的選取並非任意，而是來自於既有的神經科學理論與證據，表明其與憂鬱和焦慮症狀有關聯 👉 重點在於，這些指標讓能夠在患者無明顯外在差異的情況下，量化並比較他們內在的神經功能模式差異。一旦有了這樣的量化向度，便可將患者按照腦迴路失功能型進行分群，達到生物型分類的目的。

研究方法：大腦電路分數的推導與生物型辨識

核心思路：為每位患者計算一系列反映其大腦關鍵迴路功能的分數，然後以無監督學習將具有類似迴路失調模式的患者歸為一類。整個方法建立在理論推導的六大腦迴路之上，以確保結果具有可生物學詮釋性。

理論分類架構：六條大腦功能迴路 👉 鎖定憂鬱與焦慮相關網絡

作者團隊根據大量既有文獻，選定了與憂鬱/焦慮相關的六大腦迴路（六條迴路）作為重點觀察對象：

預設模式迴路 (Default Mode Circuit)： 包括內側前額葉、後扣帶迴等區域，典型靜息網絡(DMN)，與內省和自我相關思考相關。
- 憂鬱症患者常見此網絡過度活躍，被認為與反芻 (rumination) 思考有關
- 另一篇以「速度」來區分MDD的文獻，也有聚焦在DMN和額頂葉區域的動態功能性連結表現出更長的駐留時間和較低的變異性。
顯著性迴路 (Salience Circuit)：由雙側前島葉、扣帶皮質等構成，負責檢測環境或內在訊息的顯著性並切換腦網絡狀態。
- 在焦慮與憂鬱中，此迴路可能功能異常，導致對負面刺激過度敏感或無法有效切換注意。
前額頂注意迴路 (Frontoparietal Attention Circuit)：前額葉與頂葉組成的注意/執行控制網絡，負責工作記憶、注意力維持等高階認知功能。
注意力缺損或執行功能減弱在許多憂鬱/焦慮患者中都有觀察。
負向情感迴路 (Negative Affect Circuit)：涉及對負面情緒（例如恐懼、悲傷）刺激的反應之腦區，如杏仁核、海馬、丘腦和部分額葉區域。
此迴路功能亢進可能導致情緒調節困難與過度的威脅反應（典型於焦慮症）。
正向情感迴路 (Positive Affect Circuit)：涉及正面情緒/獎賞處理的腦區（如伏隔核、腹側紋狀體、眼窩額皮質）。
- 憂鬱症常見該迴路功能低下，與快樂感缺乏（hedonic反應低下，即快樂缺失症）有關。
認知控制迴路 (Cognitive Control Circuit)：調控注意分配、錯誤監控、抑制不恰當反應等認知功能的腦區（包括背外側前額葉DLPFC、背前扣帶dACC等）。
- 迴路缺陷會影響問題解決與認知靈活性，許多憂鬱/焦慮患者在認知任務表現上受損。

研究者透過元分析平台（Neurosynth）以及既有文獻來界定每條迴路所包含的特定腦區 (ROI) 。
- 選取腦區時考量了資料品質、量表心理計量特性，以及該區與焦慮/憂鬱的相關性。
- 這種理論框架確保所關注的迴路有明確的功能意義，並與臨床症狀的維度相連。

標準化 fMRI 協定：靜息 + 任務

雙模態掃描

為了全面評估上述迴路，每位受試者皆接受了一套標準化的 fMRI 掃描協定。協定包含兩部分：

Task-free (靜息態) fMRI：受試者在無特定任務下放鬆地進行腦部掃描(DMN)，以測量靜息狀態下各腦區之間的功能性連結強度。
- 重點觀察DMN、Salience、Attention 三大內在網絡內部的連結模式。例如計算DMN內各ROI間的相關係數等。
Task-evoked (任務態) fMRI：受試者在掃描中執行特定認知或情緒任務，以誘發相應迴路的活動。
- 情緒任務：研究設計了一個臉部表情處理任務，分為多種條件。
  1. 觀看威脅表情（區分顯性威脅條件：清楚看到恐懼/憤怒臉；以及隱性威脅條件：快速呈現使其未達意識）、
  2. 觀看悲傷表情，以及可能還有快樂表情作為正向情感刺激。
  - 透過這些條件，激活並評估受試者的負向情感迴路與正向情感迴路功能。
- 認知任務：採用一個Go–NoGo 任務來評估認知控制迴路。該任務要求受試者在看到特定刺激時抑制反應，以測試其認知抑制和注意力控制能力，主要誘發認知控制迴路（如前額葉皮質）的活動。
研究納入了約800名已診斷為憂鬱或焦慮的患者（95% 在入組時無服藥治療），並在掃描當天同步評估了每位患者的臨床症狀量表與電腦化認知測驗結果
其中約250名患者在掃描後被隨機分派接受藥物治療（三種常用抗憂鬱藥之一）或心理治療（解決問題取向的行為治療CBT）
一段時間，之後再進行臨床結局評估。這為後續驗證生物型與治療反應的關聯提供了條件。

個體化區域電路分數的計算 👉 轉化腦成像為患者特徵檔案

取得每位參與者的 fMRI 原始資料後，研究者依照迴路定義提取了多種功能指標：

靜息態迴路連結：計算每位受試者在靜息態下，DMN、顯著性、注意三大網絡中(ROI 與 ROI 之間)的功能性連結強度（如相關係數）。
- Ex. DMN 內部可能有若干 ROI 組合的連結值。
任務態迴路活動/連結：對於情緒任務與認知任務，計算關鍵ROI在各任務條件下的啟動強度（與基線相比的 BOLD 訊號變化）以及相關腦區間的功能連結改變
- Ex. 在“顯性威脅”條件下，杏仁核的激活值，以及杏仁核與前扣帶的連結強度變化等。
上述每個測量所得的值，代表該受試者在特定腦區或連結上的功能表現 👉跟 HC對照
不同指標的量綱各異、且難以直接比較意義。為了將它們統一為易比較的分數，研究者將每個指標與健康對照組進行比較：
- 計算受試者相對於健康人的標準差差距 (z-score) 。這一步相當於將每個指標轉換為「高於或低於正常多少個標準差」的刻度
- Ex. 某患者的DMN連結強度比健康人平均低2個標準差，則記為-2。
- 透過比較的方式算出標準差，就可以在ML/DL當中不需要直接去碰生理數字（比較簡單可歸因，~~也可以改數字~~）
這些標準化後的數值就是每位患者的「個體化大腦電路分數」集合。
由於涵蓋多個腦區/連結，在實際操作中，每位患者可能得到數十個分數（參見原文附表列出的完整指標清單）。可以將這組分數視為患者的大腦功能指紋。
Ex. 一位患者可能在DMN連結上得分+1.5（高於常人，可能意味著過度自我導向思維），在認知控制任務中DLPFC的激活得分-1.0（低於常人，表示認知控制不足）
重要的是，每個分數都對應一個明確的神經功能意涵，使後續分析能連結回臨床解釋。

分群分析：層次式聚類

尋找潛在生物型

有了每位患者的分數向量後，接下來利用聚類分析將相似腦功能模式的患者歸群。
研究者選擇計算任兩名患者之間的距離為： $Distance (i, j) = 1 - corr (X_{i}, X_{j})$
- 其中 $corr$ 是兩人分數向量間的皮爾森相關 👉 EEG常用
- 簡言之，如果兩人各迴路分數模式越相似（相關係數越高），則距離越接近0；若模式差異大（相關接近0甚至負相關），距離趨近於1。
接著採用階層式聚類 (hierarchical clustering) 方法，基於上述距離矩陣逐步將個體歸併成群。
- 研究者在凝聚過程中監控群內距離和群間距離等指標，以決定最適宜的聚類數目 (k) 👉讓機器去分，但是作者可以決定要分多少個
- 最終結果顯示，將樣本切分為六群時能得到既有理論意義又具統計支持的分類方案。

判定最佳群數 k 的依據：作者透過多種方法驗證了六群方案的合理性，包括：
- 組內距離總和：比較不同 k 時群內距離之總和，尋找其隨 k 降低的「肘點」，六群即是其中一個候選解 [oai_citation:59‡researchgate.net](https://www.researchgate.net/publication/381486551_Personalized_brain_circuit_scores_identify_clinically_distinct_biotypes_in_depression_and_anxiety#:~:text=16%20Overview%20of%20biotype%20validation,biotype%20assignment%20in%20our%20original)。
- 輪廓係數 (Silhouette index)：評估六群方案的輪廓值是否顯著優於隨機情況（藉由構造虛擬的多元常態分佈資料做比較） [oai_citation:60‡researchgate.net](https://www.researchgate.net/publication/381486551_Personalized_brain_circuit_scores_identify_clinically_distinct_biotypes_in_depression_and_anxiety#:~:text=16%20Overview%20of%20biotype%20validation,biotype%20assignment%20in%20our%20original)。
- 穩定性分析：反覆對資料集進行抽樣聚類（如排除單一個體進行801次、隨機留佔樣本進行1萬次），計算每次結果與原始結果的一致性（調整蘭德指數ARI） [oai_citation:61‡researchgate.net](https://www.researchgate.net/publication/381486551_Personalized_brain_circuit_scores_identify_clinically_distinct_biotypes_in_depression_and_anxiety#:~:text=index%20of%20our%20solutions%20relative,We%20referenced%20the%20profile%20of)。結果顯示六群方案在不同抽樣下分類一致性極高。
- 與文獻比對：將每群的腦功能失調模式與既往研究報導的模式比對，看是否能找到對應（結果顯示高度吻合） [oai_citation:62‡researchgate.net](https://www.researchgate.net/publication/381486551_Personalized_brain_circuit_scores_identify_clinically_distinct_biotypes_in_depression_and_anxiety#:~:text=measurements%20that%20were%20consistently%20,We%20also)。

最終確立的六種生物型，其腦迴路異常配置與研究起初的理論分類高度吻合。換言之，本研究驗證了透過任務+靜息結合的腦電路分數，可以成功區分出與理論預期相符的患者亞型。

生物型的鑑別與驗證：六類腦功能模式

六大生物型：腦迴路功能失調的剖面圖

研究團隊依據每個生物型的顯著腦迴路特徵，對6種分群進行了命名和描述
每個生物型以一組字母和符號表示其相對於健康基準的主要偏離之迴路和方向
+表示過度/增強，− 表示減弱/低下，X表示無明顯偏離）。

預設–顯著–注意迴路過度連結型（代號 DC+SC+AC+）
- 此類型的患者在DMN、顯著性、前額頂注意三大網絡中均呈現功能連結增強（高於正常>0.5個標準差）。
- 可以理解為他們的大腦處於一種全局高度交互的狀態，各網絡彼此過於同步。
- 其特徵表現包括：
  - 在情緒任務中辨識悲傷臉孔的反應較遲緩，執行功能測驗中錯誤率提高，顯示可能受到內在過度連結的干擾。
  - 有趣的是，這群人在接受CBT治療後，症狀改善最為顯著，被形容為對行為療法「反應良好」的一型。
注意力網絡低連結型（代號 AC−）
- 此群患者的主要異常在於前額頂注意網絡的功能連結顯著低於常模（低0.5個標準差以上）。
- 他們在認知控制領域並無明顯缺陷，反而在某些認知測驗中反應較快但錯誤偏多，呈現一種「快但不精確」的模式。
- 臨床上，他們自評壓力程度相對較低，焦慮張力可能略輕。
- 對心理治療的效果較差，在接受CBT治療後，症狀改善幅度明顯低於其他型。
- 研究者推測，這可能與注意力迴路功能不足使其難以專注於治療所需的學習與行動改變有關。
情緒反應過強型（代號 NSA+PA+）
- 此型特徵為對情緒刺激的腦反應過度強烈。
- 在顯性悲傷條件下，大腦負向情感迴路（如杏仁核-邊緣系統）激活顯著高於正常，而在看到快樂刺激時正向情感迴路也呈現高活化。
- 他們對負面情緒特別敏感，對正向情緒刺激也有較大反應。然而矛盾的是，臨床上這群人自報快樂感缺乏（hedonic capacity低下），也就是無法真正體驗愉悅。
- 他們傾向嚴重的反芻沉思（特別是消極內容的鑽牛角尖） 👉這可能表示，即使正向迴路被刺激，他們主觀仍感受不到愉快；而負向刺激帶來的過度反應則可能增強負面思維的迴圈。
- 無證據顯示此群對某種特定治療明顯較佳，但了解其高度情緒反應性有助於臨床上採取相應的情緒調節介入
- 這有點難治？
認知控制過度代償型（代號 CA+，亦稱「認知型憂鬱」）
- 此類患者的認知控制迴路（如DLPFC等）在任務中呈現過度活化（顯著高於常模）。
- 他們的大腦似乎動員了過多的認知資源來應對任務需求，可能代表一種代償機制。
- 然而，即便如此，他們在持續注意等任務中仍出現較多錯誤，顯示認知效率未必隨活化增加而提升 👉過度控制，但認知控制沒提升
- 患者報告高度的快樂缺乏（與Biotype 3類似的無快感症）、明顯的焦慮喚起（生理高度緊張不安），以及對負面資訊的認知偏誤（總是往消極解讀）和對威脅刺激的調節困難。
- ⭐ 此群患者對藥物治療的反應有獨特性：他們對Venlafaxine 文拉法辛（SNRI類抗憂鬱藥, 藥名：速悅EffexorXR）的改善率顯著高於其他類型。
  - 數據顯示在服用Venlafaxine後他們的症狀緩解比例明顯勝出，研究者因此將此類型視為對雙重作用抗憂鬱劑特別有反應的亞群。
  - 這與近期另一項研究發現一致：「認知型」憂鬱佔所有憂鬱患者的約1/4，對標準抗憂鬱藥反應較差，但透過 fMRI 辨識後給予適當干預（如專門的TMS刺激）效果較佳。
威脅處理/認知控制雙低型（代號 NTCC−CA−）
- 這是一個相對少見的類型（文獻中樣本中僅15人，占比約2% ）。
- 其腦功能圖譜獨特地呈現：在有意識處理威脅（顯性威脅臉）時，負向情感迴路的功能連結不升反降，低於正常水準，同時認知控制迴路的激活也偏低。
- 當面對顯而易見的負性刺激時，他們的大腦既沒有正常啟動足夠的情緒反應，也沒有效招募認知控制來處理。
- 不過行為表現上，他們反而展現較少的反芻沉思傾向，以及對悲傷臉的反應速度較快。或許可以猜想，他們對明顯情緒刺激採取的是一種減弱反應甚至迴避的方式，因此主觀上反而沒那麼多反芻。這類患者目前樣本極少，需要更多資料來理解其臨床意義。
無明顯迴路異常型（代號 DXSXAXNXPXCX）
- 這組患者同樣相對少數（44人，占約5% ）。
- 他們在所監測的各大迴路指標上都沒有顯著偏離健康對照，也就是說大腦功能看似正常。
- 他們在隱性威脅刺激（未意識到的威脅線索）下的反應速度偏慢。
- 由於沒有突出的腦迴路異常，這群人在臨床上可能代表較具韌性或病理負荷較低的一類患者。
- 他們的症狀可能來自診斷之外的因素（例如環境觸發），或這些人的大腦代償能力較高。
- 此生物型提醒：在經高度篩選的臨床試驗樣本中，仍有一部分患者的腦功能與正常人無異，傳統評估卻將其列為病患，這也許涉及診斷準確性的問題。

3.2 臨床與認知效度驗證：症狀與表現的差異

為確認上述六種生物型具有實質臨床意義，研究者比較了各型在症狀量表和電腦化認知/情緒測驗上的表現差異。
結果顯示，每種類型都有其獨特的症狀嚴重度組合與認知功能缺陷模式，且這些差異在不同資料拆分下保持穩定。例如：
全網絡超連結型：患者報告較高的反芻沉思傾向，但其執行功能測驗表現顯著較差（反應慢且錯誤多），暗示過度內省干擾了認知表現。
注意低連結型：患者的主觀壓力與焦慮得分相對較低，但注意力持續性測驗成績不佳（錯漏較多），符合其注意網絡功能不足的特徵。
情緒過強型：患者的快樂缺失（無法體驗愉悅）和沉思量表得分是所有類型中最高的，同時在情緒相關任務（如快樂臉刺激的快速反應）中表現出異常模式。
認知過度型：患者在焦慮喚起和負向思維偏誤量表上得分最高，也在持續注意與認知靈活性測驗中錯誤率最高，支持其在高度緊張狀態下仍難以妥善調動認知的假說。
威脅/認知低型：患者的反芻得分最低，這與其負向迴路反應低下相符；他們在悲傷臉識別中速度最快，可能意味著某種獨特的警覺模式。
無異常型：患者的症狀整體較輕，其隱性威脅反應遲緩可能是唯一顯著差異。
以上差異均通過統計檢定（經FDR校正後）顯著，且在將數據隨機二分或按研究隊列分組重新聚類驗證時，再次出現類似的組間差異，證明這些臨床與認知特徵確實與生物型穩定相關。
六種腦功能生物型不只是理論上的分類，它們真實對應到不同的症狀表現與功能損傷模式，強化了分類的有效性。

生物型與臨床治療反應的關聯

除了橫截面的臨床特徵，本研究更進一步檢驗了不同生物型對治療反應的差異，這對精準治療意義重大。
在接受隨機治療的250名患者中，研究者比較了各生物型在藥物治療（三種常用SSRI/SNRI抗憂鬱藥：Escitalopram、Sertraline、Venlafaxine）和心理治療（I-CARE解決問題療法CBT）後症狀改善幅度的不同。結果發現：
認知過度型：對藥物 Venlafaxine的療效顯著優於其他型 。該型患者使用 Venlafaxine 後的症狀減輕幅度明顯更大，64% 達到臨床反應，40% 症狀緩解。
- 相比之下，其它生物型使用此藥的緩解率較低。
- 這一結果與他們偏重的認知控制失調相呼應：SNRI 可能透過提升去甲腎上腺素傳導，改善認知能量與動機，因而對該型特別有效。
全網絡超連結型：從心理治療中獲益最多。他們在接受 I-CARE 行為治療後，症狀嚴重度的下降幅度領先其他型。
- 作者推測，這可能是因為該型患者的問題解決相關腦區本就處於高活性狀態，容易配合治療中所教授的新技能。
- 行為療法為他們提供了管道來引導過度活躍的網絡朝正向解決方案發展。因此這群人被認為適合優先考慮心理治療。
注意低連結型：對心理治療的效果顯著較差。這型患者在接受行為治療後的症狀改善程度低於其他型，提示傳統談話治療可能不足以矯正其問題。
- 作者推論，由於他們注意力網絡功能不佳，在治療中難以集中精力汲取新技能。對於此類患者，也許應先透過藥物改善注意/動機（如使用興奮劑或調節多巴胺/去甲腎上腺素的藥物）再介入心理治療，以期更佳效果。
其他生物型在本研究中未呈現明顯的治療反應差異：例如 情緒過強型 及 威脅/認知低型 可能因樣本較少或對現有治療均反應有限，未顯示出統計上顯著偏好某種治療。
無異常型：由於本身症狀較輕，對各種治療的平均改善幅度接近，無明顯差異。

上述發現提供了初步的臨床實用性證據：透過腦迴路分數分型，有機會在治療開始前預測患者更適合哪種類型的治療。
Ex. 屬於認知控制過度型的患者也許可考慮優先使用 SNRI 類藥物；而全網絡過度連結型患者則優先考慮心理治療
這正是精準精神醫學所追求的目標——“在對的時間，將對的治療用於對的人”。雖然目前尚屬初步證據，但已為腦成像指導治療開啟了希望之門。

結論與貢獻：解釋性電路架構推進精準精神醫學

本研究創新地將任務態與靜息態腦成像結合，提出了一套理論驅動且臨床驗證的方法來解析憂鬱與焦慮的生物異質性。其主要貢獻和意義包括：

提出可解釋的個體化腦指標：
- 透過預先定義的六大功能迴路，將每位患者的腦功能數據轉化為一組直觀的「電路分數」。
- 這些指標擺脫了黑盒模型的不透明性，每一項都對應具體的神經過程，使得臨床醫師和研究者能理解患者的大腦究竟哪裡失調。
- 這種理論驅動的框架也使模型可被檢驗與複現，而非僅僅資料擬合的產物。
鑑別出六種臨床上有意義的生物型：
- 研究成功地將高度混雜的憂鬱/焦慮人群劃分為六個腦功能亞型。
- 每種生物型都展現獨特的腦迴路失調模式，並且在症狀和認知表現上有明顯區別。
- 這些差異跨越了傳統診斷邊界，證明大腦生物標記可以提供一種跨診斷的新分類。
- 作者所言：「這是首度證明憂鬱症可以由不同的大腦功能中斷來解釋，每一類型本質上代表了精神醫學中的個體化醫學範例」。
臨床驗證與穩健性分析：
- 透過大量統計檢驗（輪廓分析、抽樣重複聚類、對照組比較等），確證了六生物型分類的可靠性，並證明這些分類與臨床表現及治療結果有系統性關聯。
- 這點尤為關鍵，因為過去許多生物分類研究止步於學術發現，而本研究更進一步證明其臨床相關性和潛在實用價值。
方法優於先前純靜息方法：
- 研究還比較了若干之前文獻中使用的特徵集（僅全腦靜息連結、僅DMN連結等）進行分群，結果顯示唯有本研究結合任務與靜息的電路分數能顯著區分出有效的聚類，勝過「無聚類結構」的虛無假說 👉過去無監督之所以被抨擊，很多都是因為只是樣本少的lucky split
- 若僅使用靜息態指標則無法得到優於隨機的分群結果，強調了任務態量測不可或缺的價值。此外，本方法也在直接比較中勝過先前幾項只用全腦連結矩陣進行分群的研究成果。這意味著從理論指引出發篩選特定腦迴路，並融合任務誘發訊號，能提高生物型分類的訊噪比。
邁向精準精神醫學的重要一步：
- 透過大規模樣本和多中心數據，本研究提供了實證，證明腦網絡分析可以用來發展精神疾病的生物學分型，並初步展示了依據腦分型選擇治療的可行性。
- 雖然作者也強調，目前這套分類尚未準備好直接用於日常臨床（需要更多驗證和優化），但它為未來的診斷與治療指明了方向
- 結合客觀的大腦指標，精神科也可以如同其他醫學科別一般，走向個體化、精準化。

總而言之，Tozzi 等人（2024）的工作證明了一種以大腦電路功能為核心的框架，如何能夠拆解傳統診斷下的異質患者群體，找出具有生物一致性的子群（生物型），並與臨床意義相連接。這種方法平衡了神經科學理論與資料驅動分析：既確保了結果的生物學可解釋性，又充分利用了機器學習在大型資料中發現模式的能力。未來若經更多研究驗證並技術優化，這套腦電路量表與生物型分類法有望成為精神科臨床的一項工具，實現在患者首次就診時即進行大腦功能分型，預測其最佳治療途徑。正如作者在文中所述，「這代表了一種有前景的方法，將推動精神醫學領域的精準臨床照護」。精準精神醫學的願景，正在透過這樣的研究逐步照進現實。

研究室筆記

Explorer

報Paper