DOI: https://doi.org/10.3390/brainsci16030301
PMID: https://pubmed.ncbi.nlm.nih.gov/41892644
تاريخ النشر: 2026-03-09
المؤلف: Hesam Akbari وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول هذه الدراسة التحدي المتمثل في التنبؤ باستجابات الأفراد لعلاجات الاكتئاب، وبشكل خاص مثبطات استرداد السيروتونين الانتقائية (SSRIs) والتحفيز المغناطيسي المتكرر عبر الجمجمة (rTMS)، التي تقليديًا لديها معدل استجابة يبلغ حوالي 50%. يقترح المؤلفون إطار عمل مدعوم بالكمبيوتر (CAD) يستخدم إشارات تخطيط الدماغ الكهربائي (EEG) قبل العلاج، والتي تم تحويلها إلى تمثيلات زمنية ترددية من خلال تحويل الموجات المستمرة (CWT) وتحليل الوضع المتغير (VMD). يستخدم الإطار أربع هياكل لشبكات الأعصاب التلافيفية المدربة مسبقًا—ResNet-18 وMobileNet-V3 وEfficientNet-B0 وTinyViT-Hybrid—تم تقييمها من خلال التحقق المتقاطع الدقيق.
تشير النتائج الرئيسية إلى أن اختيار التمثيل الزمني الترددي يؤثر بشكل كبير على أداء التصنيف، حيث حققت التمثيلات المعتمدة على CWT دقة ملحوظة تبلغ 99.43% لتنبؤات SSRIs باستخدام ResNet-18، بينما حققت التمثيلات المعتمدة على VMD دقة 98.77% لـ rTMS. ومن الجدير بالذكر أن دمج بكسل CWT وVMD لم يعزز الأداء بما يتجاوز أفضل تمثيل فردي. تؤكد الدراسة وجود هيكل معماري ذو مستويين، حيث تتفوق ResNet-18 وTinyViT-Hybrid على MobileNet-V3 وEfficientNet-B0. بالإضافة إلى ذلك، تسلط التحليلات حسب القناة الضوء على الهيمنة القذالية لاستجابات SSRIs والهيمنة الجبهية الصدغية لـ rTMS، مما يتماشى مع الآليات العصبية الفسيولوجية المعروفة. يحقق الإطار دقة على مستوى الأفراد تبلغ 82.50% لـ SSRIs و83.53% لـ rTMS، مما يبرز الحاجة إلى مزيد من التحقق على مجموعات بيانات أكبر لتعزيز التعميم ودمج طرق الذكاء الاصطناعي القابلة للتفسير لتحديد العلامات الحيوية المفيدة لـ EEG.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الزيادة المقلقة في الاكتئاب على مستوى العالم، حيث يؤثر على حوالي 280 مليون فرد، وخاصة في الدول المتقدمة. يتميز الاكتئاب بأنه اضطراب مزاجي خطير يمكن أن يؤدي إلى مشاكل عاطفية وجسدية خطيرة، بما في ذلك إيذاء النفس والانتحار، الذي يعد رابع سبب رئيسي للوفاة بين الشباب. تشمل طرق العلاج الحالية بشكل أساسي مثبطات استرداد السيروتونين الانتقائية (SSRIs) والتحفيز المغناطيسي المتكرر عبر الجمجمة (rTMS)، ومع ذلك فإن معدل الاستجابة لهذه العلاجات لا يتجاوز 50%. وهذا يتطلب نهج التجربة والخطأ في العلاج، مما يمكن أن يؤخر الرعاية الفعالة ويزيد من المخاطر على المرضى.
يؤكد النص على الحاجة إلى استراتيجيات علاج شخصية، حيث تختلف استجابة الدماغ للعلاج بشكل كبير بين الأفراد. يظهر تخطيط الدماغ الكهربائي (EEG) كأداة واعدة للتفريق بين المستجيبين وغير المستجيبين لعلاجات الاكتئاب، نظرًا لتكلفته المنخفضة وسهولة الوصول إليه. ومع ذلك، فإن تعقيد بيانات EEG يشكل تحديات للأطباء، الذين يكافحون لتفسير هذه الإشارات بصريًا. تدعو الورقة إلى تطوير أنظمة قرار مدعومة بالكمبيوتر (CAD) تعتمد على EEG لتعزيز اختيار العلاج. بينما استكشفت الدراسات السابقة تحليل EEG لتنبؤ نتائج العلاج، فإنها غالبًا ما تعتمد على طرق التعلم الآلي التقليدية أو تركز على أساليب علاجية فردية، مما يشير إلى وجود فجوة في إطار عمل أكثر قوة وكفاءة قادر على معالجة عدة طرق علاجية.
طرق
يتم تقييم نظام التشخيص المدعوم بالكمبيوتر (CAD) المقترح باستخدام مجموعتين من بيانات تخطيط الدماغ الكهربائي (EEG)، تستهدف بشكل خاص المرضى الذين استجابوا (R) والذين لم يستجيبوا (NR) لعلاجات الاكتئاب. يتم توضيح إشارات EEG التمثيلية من هذه المجموعات، والتي تشمل بيانات من مثبطات استرداد السيروتونين الانتقائية (SSRI) والتحفيز المغناطيسي المتكرر عبر الجمجمة (rTMS)، في الشكل 1.
تحدد المنهجية الإطار الإجرائي لنظام CAD المصمم للتنبؤ بنتائج العلاج للاكتئاب. يتم تقديم نظرة عامة على كامل العملية، مع تفاصيل الخطوات المتسلسلة المعنية في عملية التنبؤ، في الشكل 2. يهدف هذا النهج المنظم إلى تعزيز دقة وموثوقية التنبؤات بالنتائج في الإعدادات السريرية.
نتائج
يقدم قسم النتائج في الدراسة تقييمًا لنظام التشخيص المدعوم بالكمبيوتر (CAD) المصمم للتنبؤ بنتائج علاجات الاكتئاب، وبشكل خاص مثبطات استرداد السيروتونين الانتقائية (SSRIs) والتحفيز المغناطيسي المتكرر عبر الجمجمة (rTMS). تستخدم البحث مجموعتين مستقلتين من بيانات EEG، حيث يتم أولاً إزالة الضوضاء من إشارات EEG وتقسيمها إلى نوافذ غير متداخلة مدتها 15 ثانية. بعد ذلك، يتم استخدام تقنيات تحويل الموجات المستمرة (CWT) وتحليل الوضع المتغير (VMD) لتوليد صور زمنية ترددية من بيانات EEG، بما في ذلك دمج كلا الطريقتين لتعزيز تمثيل الأنماط التذبذبية.
ثم يتم تصنيف هذه الصور الزمنية الترددية باستخدام أربع هياكل لشبكات الأعصاب التلافيفية المدربة مسبقًا: ResNet-18 وMobileNet-V3 وEfficientNet-B0 وTinyViT-Hybrid. يتم تقييم أداء كل نموذج بناءً على قدرته على التمييز بين مجموعات المستجيبين (R) وغير المستجيبين (NR). تهدف الدراسة إلى تقديم تحليل شامل للمقايضات بين الدقة والموثوقية في التنبؤات المستندة إلى EEG لاستجابات العلاج، مما يساهم في تطوير نظام CAD قوي لنتائج علاج الاكتئاب. يتم توضيح المنهجية التفصيلية والنتائج التجريبية بشكل أكبر في الأقسام اللاحقة من الورقة.
مناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجيات ومجموعات البيانات المستخدمة لتقييم النماذج التي تتنبأ باستجابات العلاج لدى المرضى الذين تم تشخيصهم بالاكتئاب. تم استخدام مجموعتين رئيسيتين: مجموعة بيانات SSRIs من جامعة تكنولوجيا PETRONAS، والتي تشمل تسجيلات EEG من 30 مريضًا يخضعون لعلاج SSRIs، ومجموعة بيانات rTMS من مستشفى أتيه في طهران، والتي تتضمن تسجيلات من 46 مريضًا يتلقون علاج rTMS. تضمنت كلتا المجموعتين تسجيلات EEG قبل العلاج تم تقييمها لحدة الاكتئاب باستخدام مقياس بيك للاكتئاب (BDI)، حيث تم تصنيف المرضى كمستجيبين أو غير مستجيبين بناءً على تحسنهم في درجات BDI.
تم تطبيق تقنيات معالجة EEG بدقة لتعزيز جودة الإشارة، بما في ذلك تصفية النطاق الترددي، وإلغاء تأثير الحركة، وإزالة الضوضاء عبر تحليل المكونات الرئيسية متعددة المقاييس (MSPCA). تم تقسيم إشارات EEG المعالجة إلى فترات غير متداخلة مدتها 15 ثانية، والتي تم تحويلها بعد ذلك إلى صور زمنية ترددية باستخدام تحويل الموجات المستمرة (CWT) وتحليل الوضع المتغير (VMD). كان دمج هذين التمثيلين يهدف إلى الاستفادة من نقاط قوتهما التكميلية، مما يعزز مساحة الميزات للتصنيف اللاحق بواسطة الشبكات العصبية التلافيفية (CNNs). تم ضبط أربع هياكل CNN المدربة مسبقًا—ResNet-18 وMobileNet-V3 وEfficientNet-B0 وTinyViT-Hybrid—لتصنيف الصور كمستجيبين أو غير مستجيبين، مع تقييم مقاييس الأداء بما في ذلك الدقة، والدقة، والاسترجاع، والخصوصية، ودرجة F1 من خلال استراتيجية تحقق متقاطع قوية. يبرز هذا النهج الشامل إمكانيات الميزات المستمدة من EEG في التنبؤ بنتائج العلاج في علاج الاكتئاب.
DOI: https://doi.org/10.3390/brainsci16030301
PMID: https://pubmed.ncbi.nlm.nih.gov/41892644
Publication Date: 2026-03-09
Author(s): Hesam Akbari et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study addresses the challenge of predicting individual responses to depression therapies, specifically selective serotonin reuptake inhibitors (SSRIs) and repetitive transcranial magnetic stimulation (rTMS), which traditionally have a response rate of around 50%. The authors propose a computer-aided decision (CAD) framework that utilizes pre-treatment electroencephalogram (EEG) signals transformed into time-frequency representations through Continuous Wavelet Transform (CWT) and Variational Mode Decomposition (VMD). The framework employs four pretrained convolutional neural network (CNN) architectures—ResNet-18, MobileNet-V3, EfficientNet-B0, and TinyViT-Hybrid—evaluated through rigorous cross-validation.
Key findings indicate that the choice of time-frequency representation significantly influences classification performance, with CWT-based representations yielding a remarkable 99.43% accuracy for SSRI predictions using ResNet-18, while VMD-based representations achieved 98.77% accuracy for rTMS. Notably, pixel-level fusion of CWT and VMD did not enhance performance beyond the best individual representation. The study confirms a two-tier architectural hierarchy, where ResNet-18 and TinyViT-Hybrid outperform MobileNet-V3 and EfficientNet-B0. Additionally, per-channel analysis highlights occipital dominance for SSRI responses and frontotemporal dominance for rTMS, aligning with established neurophysiological mechanisms. The framework achieves subject-level accuracies of 82.50% for SSRIs and 83.53% for rTMS, underscoring the need for further validation on larger datasets to enhance generalization and the integration of explainable AI methods for identifying informative EEG biomarkers.
Introduction
The introduction of the research paper highlights the alarming global rise in depression, affecting approximately 280 million individuals, particularly in developed nations. Depression is characterized as a serious mood disorder that can lead to severe emotional and physical issues, including self-harm and suicide, which is notably the fourth leading cause of death among young people. Current treatment approaches primarily involve selective serotonin reuptake inhibitors (SSRIs) and repetitive transcranial magnetic stimulation (rTMS), yet the response rate to these therapies is only around 50%. This necessitates a trial-and-error approach to treatment, which can delay effective care and increase risks for patients.
The text emphasizes the need for personalized treatment strategies, as the brain’s response to therapy varies significantly among individuals. Electroencephalography (EEG) emerges as a promising tool for differentiating between responders and non-responders to depression therapies, given its low cost and accessibility. However, the complexity of EEG data poses challenges for clinicians, who struggle to interpret these signals visually. The paper advocates for the development of EEG-based computer-aided decision (CAD) systems to enhance treatment selection. While previous studies have explored EEG analysis for predicting therapy outcomes, they often rely on traditional machine learning methods or focus on single treatment modalities, indicating a gap for a more robust and efficient framework capable of addressing multiple therapeutic approaches.
Methods
The proposed computer-aided diagnosis (CAD) system is assessed using two electroencephalogram (EEG) datasets, specifically targeting patients with and without response (R and NR) to depression therapies. Representative EEG signals from these datasets, which include data from selective serotonin reuptake inhibitors (SSRI) and repetitive transcranial magnetic stimulation (rTMS), are illustrated in Figure 1.
The methodology outlines the procedural framework of the CAD system designed to predict therapeutic outcomes for depression. An overview of the entire pipeline, detailing the sequential steps involved in the prediction process, is presented in Figure 2. This structured approach aims to enhance the accuracy and reliability of outcome predictions in clinical settings.
Results
The results section of the study presents an evaluation of a computer-aided diagnosis (CAD) system designed to predict outcomes of depression therapies, specifically selective serotonin reuptake inhibitors (SSRIs) and repetitive transcranial magnetic stimulation (rTMS). The research utilizes two independent EEG datasets, with the EEG signals first denoised and segmented into 15-second non-overlapping windows. Subsequently, the Continuous Wavelet Transform (CWT) and Variational Mode Decomposition (VMD) techniques are employed to generate time-frequency images from the EEG data, including a fusion of both methods to enhance the representation of oscillatory patterns.
These time-frequency images are then classified using four pretrained convolutional neural network (CNN) architectures: ResNet-18, MobileNet-V3, EfficientNet-B0, and TinyViT-Hybrid. Each model’s performance is assessed based on its ability to differentiate between responder (R) and non-responder (NR) groups. The study aims to provide a comprehensive analysis of the trade-offs between accuracy and robustness in EEG-based predictions of treatment responses, ultimately contributing to the development of a robust CAD system for depression therapy outcomes. The detailed methodology and experimental results are further elaborated in subsequent sections of the paper.
Discussion
The discussion section of the research paper outlines the methodologies and datasets utilized for evaluating models predicting treatment responses in patients diagnosed with depression. Two primary datasets were employed: the SSRI dataset from Universiti Teknologi PETRONAS, which includes EEG recordings from 30 patients undergoing SSRI therapy, and the rTMS dataset from Atieh Hospital in Tehran, comprising recordings from 46 patients receiving rTMS therapy. Both datasets involved pre-treatment EEG recordings assessed for depression severity using the Beck Depression Inventory (BDI), with patients categorized as responders or non-responders based on their improvement in BDI scores.
EEG preprocessing techniques were rigorously applied to enhance signal quality, including band-pass filtering, motion artifact cancellation, and denoising via Multiscale Principal Component Analysis (MSPCA). The processed EEG signals were segmented into non-overlapping 15-second epochs, which were then transformed into time-frequency images using Continuous Wavelet Transform (CWT) and Variational Mode Decomposition (VMD). The fusion of these two representations aimed to leverage their complementary strengths, enhancing the feature space for subsequent classification by convolutional neural networks (CNNs). Four pretrained CNN architectures—ResNet-18, MobileNet-V3, EfficientNet-B0, and a novel TinyViT-Hybrid—were fine-tuned to classify the images as either responders or non-responders, with performance metrics including accuracy, precision, recall, specificity, and F1-score evaluated through a robust cross-validation strategy. This comprehensive approach underscores the potential of EEG-derived features in predicting therapeutic outcomes in depression treatment.