基于血清炎症生物标志物与可解释大型语言模型分析的青少年抗抑郁药物反应预测
《Engineering Applications of Artificial Intelligence》:Adolescent antidepressant response prediction using serum inflammatory biomarkers and explainable large language model-based analysis
【字体:
大
中
小
】
时间:2026年10月22日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
摘要
患有抑郁障碍的青少年面临严重的精神和身体健康风险。然而,疾病病因的多样性限制了治疗反应预测的普遍适用性。为应对这些挑战,本研究实施了一种基于人工智能(AI)驱动机器学习(ML)和深度学习(DL)的混合可解释框架,用于预测抗抑郁治疗反应。所实施的AI框架被应用于青少年重
摘要
患有抑郁障碍的青少年面临严重的精神和身体健康风险。然而,疾病病因的多样性限制了治疗反应预测的普遍适用性。为应对这些挑战,本研究实施了一种基于人工智能(AI)驱动机器学习(ML)和深度学习(DL)的混合可解释框架,用于预测抗抑郁治疗反应。所实施的AI框架被应用于青少年重度抑郁症(MDD),以预测治疗反应类别并提供可解释的临床决策支持。本研究开发了SEIRS-GRU(Squeeze-and-Excitation Inception-Residual Siamese Gated Recurrent Unit)网络模型,该模型以常用炎症血清标志物作为输入,以获取预测结果的有效临床解释。为增强解释和理解,应用了基于Bootstrap聚合多元自适应回归样条的贝叶斯局部可解释模型不可知解释(BMB-LIME)框架来生成局部解释。类别不平衡问题通过随机过采样技术解决,特征选择则通过二进制植物根茎生长优化算法(BPRGOA)完成。此外,所提出的框架结合概念向量编码与大型语言模型(LLM),即LLaMA3-70B。所提模型的结果为:准确率98.5%、精确率98.1%、召回率98.8%、特异度98.4%、F1分数98.3%、曲线下面积(AUC)0.985,从而验证了其效率和鲁棒性。总之,所提出的框架提供了一种可解释的方法来预测青少年对抗抑郁治疗的反应。
引言
重度抑郁症(MDD)是青少年致残的主要原因之一,其发病率高于成人。大约70%的MDD青少年患者在五年内经历复发,早发型抑郁症与更高的复发率、功能障碍和难治性结局风险增加相关(Ma等人,2023)。早期干预对于改善临床结果和预防疾病进展至关重要。
血清炎症生物标志物,包括白细胞介素-1β(IL-1β)、白细胞介素-6(IL-6)和高敏C反应蛋白(hsCRP),是与炎症过程和抑郁障碍病理生理相关的可测量指标(Lin等人,2025)。在青少年中,这些生物标志物为预测抗抑郁治疗反应提供了相关信息(TV等人,2024)。抗抑郁药物(AM),特别是选择性血清素再摄取抑制剂(SSRIs)和血清素去甲肾上腺素再摄取抑制剂(SNRIs),是MDD的一线治疗方法(Athreya等人,2022)。然而,不到50%的患者报告获益,仅30%–40%的患者在初始治疗中达到完全缓解。
尽管大多数先前的研究侧重于生物标志物或传统机器学习算法,本研究旨在利用多模态血清生物标志物和可解释深度学习(DL)。它包括实时边缘部署、通过BMB-LIME实现的可解释性,以及基于大型语言模型(LLM)特别是LLaMA3-70B的语义推理,在不夸大新颖性的前提下提供临床有用的知识。
所提出的模型识别出预测特征,这些特征可作为用于估计治疗反应和治疗疗效的可操作生物标志物。诊断根据《精神障碍诊断与统计手册》第五版(DSM-5)标准和心理测量学验证量表——儿童抑郁评定量表修订版(CDRS-R)和汉密尔顿抑郁量表(HDRS)进行。所有诊断均由持证精神科医生执行。在治疗方面,患者通常接受SSRI药物治疗,主要是氟西汀。对于模型构建,基线生物标志物水平非常重要,因为它们是关乎治疗安全性和疗效的关键药效学因素(Duan等人,2023)。
IL-1β、IL-6和hsCRP被认为是炎症和神经调节失调的良好指标。当这些水平异常时,它们会影响神经递质代谢和神经可塑性,使治疗效果降低。这些生物标志物作为具有高区分能力的定量指标,可提高模型的预测性能(Jiang等人,2023)。另一方面,深度学习算法往往难以解释且难以处理类别不平衡(Stancil等人,2022)。这意味着需要开发这样的深度学习框架。
近年来,精神病学研究聚焦于大脑炎症的重要性及其对治疗的启示。一些用于评估炎症及其与神经传递变化、神经可塑性降低和抗抑郁反应不佳之间关系的血清标志物包括白细胞介素-1β(IL-1β)、白细胞介素-6(IL-6)和hsCRP(Lin等人,2025;Jiang等人,2023)。传统机器学习模型已用于利用优化技术预测抗抑郁反应,但未充分整合临床重要生物标志物(Stancil等人,2022)。
使用修订版神经质-外向性-开放性五因素量表(RNEO-FFI-R)研究人格特征的研究显示抗抑郁反应性结果不一致(Ran等人,2024)。采用广义线性模型(GLM)、随机森林(RF)、梯度提升机(GBM)和深度神经网络(DNN)算法的机器学习方法提供了有用的预测,但缺乏可解释性和鲁棒性,特别是在青少年数据小而异质的情况下(Sheu等人,2023;Ran等人,2025)。独立成分分析(ICA)和脑电图微状态等前沿技术提供了机制,但易受共病和治疗的干扰(Y. Zhang等人,2025;Kolacz等人,2025)。
最近的治疗策略,如经皮电神经场刺激(PENFS)和艾司氯胺酮治疗,虽然显示出前景,但样本量较小(Martiadis等人,2025;Pettorruso等人,2023)。纳入BDNF、p-mTOR和其他神经生物学标志物的多标志物研究提供了更多信息,但在预测模型中利用不足(Zhao等人,2024)。人群层面的机器学习技术如自适应合成采样极端梯度提升(ADASYN-XGBoost)、自动机器学习(AutoML)和随机森林(RF)显示了一些进展,但受限于抑郁亚型的重叠、可解释性和即时应用(Ahmed等人,2025;Ma等人,2024;Dong等人,2025;Keven等人,2026)。所收集的数据被用于构建人工智能(AI)和机器学习预后设备,如Corrivetti等人(2024)所述。然而,这种方法由于每个患者子集的样本量较小,影响了预测模型性能。
尽管精准精神病学不断进步,但由于缺乏结合生物学、临床和计算见解的整合模型,预测青少年个体抗抑郁反应的能力仍然有限。这包括样本量小和具有有限可解释性的黑箱模型,阻碍了临床转化。这些方法使用了RNEO-FFI-R评估和BDNF、p-mTOR等生物标志物,以及基线治疗反应和临床结果。模型和数据库使数据可访问,但缺乏实时可解释性。本提案旨在将多模态数据与可解释方法和深度学习和BMB-LIME结合,以提供实时、准确的预测,并处理患者状态的成对学习及临床可操作的预测。
• 提出了一种混合预测架构SEIRS-GRU,结合了Inception-Residual网络(IResNet)模块、Squeeze-and-Excitation模块(SEB)和孪生门控循环单元(S-GRU)层,以联合建模空间-时间特征用于抗抑郁反应预测。
• 实施了使用随机过采样(ROS)处理类别不平衡问题,以及使用二进制植物根茎生长优化算法(BPRGOA)进行特征选择,以识别最具区分力的生物标志物。该模型整合概念向量编码与LLaMA3-70B以增强可解释性,同时不声称完全新颖的生物标志物发现。
• 开发了BMB-LIME,一个结合Bootstrap聚合、多元自适应回归样条(MARS)和局部可解释模型不可知解释(LIME)的可解释AI框架,提供局部忠实且统计鲁棒的解释。在树莓派5代(Raspberry Pi 5)上进行边缘部署,实现了适合临床应用的快速、隐私保护的实时预测。
研究分为几个部分。第2节描述了抗抑郁反应预测所用的程序。第3节解释了抗抑郁反应预测所用的实验方法。第4节对所有发现进行了全面讨论。最后,第5节包含结论并讨论未来研究。
章节摘要
所提出的抗抑郁反应预测
该模型SEIRS-GRU是一种基于孪生式架构成对工作机制的混合深度学习框架,整合了IResNet、SEB和S-GRU层,以学习时空特征来预测抗抑郁治疗反应。BPRGOA用于寻找最佳生物标志物以区分不同组别。为实现可解释性,本研究提出了BMB-LIME,一个为已识别生物标志物提供统计有效且临床有意义的值的框架。
结果与讨论
使用标准性能指标如准确率、F1分数、精确率、召回率、特异度、阳性预测值(PPV)、阴性预测值(NPV)、曲线下面积(AUC)、计算时间、真阳性率(TPR)和假阳性率(FPR)对SEIRS-GRU模型的性能进行了全面评估。该评估方法使用基于Python的软件进行。此外,还进行了消融测试以评估模型各个部分的贡献。
讨论
与传统模型如ESK-LEARNING(Pettorruso等人,2023)、AutoML(Ma等人,2024)、MLR(Keven等人,2026)、ADASYN-XGBoost(Ahmed等人,2025)、随机森林(RF)(Dong等人,2025)和LRM(Felipe等人,2025)相比,所提出的SEIRS-GRU模型显示出改进的预测性能。所提出的框架纳入了临床相关的炎症生物标志物,包括高敏C反应蛋白(hsCRP)、白细胞介素-1β(IL-1β)和白细胞介素-6。
结论
本研究开发了一种SEIRS-GRU混合深度学习模型,成功建模了临床和生物标志物数据中的空间、时间和成对关系。此外,通过BMB-LIME获得可解释性,以提供对临床和生物标志物特征的清晰评估。使用ROS解决了类别不平衡问题,并利用BPRGOA优化了特征选择。使用LLAMA3-70B的概念向量编码进一步改进了基于语义的诊断。
CRediT作者贡献声明
Pratiksha Meshram:撰写-初稿。Radhakrishna Rambola:监督。
出版同意
所有涉及人类参与者的程序均按照机构伦理指南进行,本手稿中不包含可识别的患者信息。
伦理批准声明
本研究按照《赫尔辛基宣言》的伦理原则和参与精神卫生中心的伦理指南进行。研究方案在参与者招募前已由相关机构伦理委员会审查和批准。从参与者的法定监护人处获得书面知情同意,并在数据收集前从青少年参与者处获得同意。所有参与者信息和
资助
本研究未获得公共、商业或非营利部门的任何特定基金资助。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本论文报告的工作。
致谢
无
Pratiksha Meshram | Radhakrishna Rambola
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号