大规模EEG揭示主要精神疾病共有的与特异的神经振荡特征

重性精神障碍是全球致残的主要因素，然而用于指导诊断和治疗的稳健生物标志物仍难以获得。脑电图（EEG）提供了一种可扩展、非侵入性的方法来捕捉神经功能障碍，但既往研究结果因样本量小、仅涉及单一障碍队列而不一致。在此，我们报告了一项大规模、两站点比较研究，对精神分裂症（SCZ）、双相障碍（BD）和重性抑郁障碍（MDD）患者与健康对照（HC）的静息态EEG进行比较。在9751名参与者的EEG记录中，标准化预处理和特征生成产生了频谱功率和功能连接（FC）指标，并采用统计学和机器学习两种方法进行检验。我们识别出一致的跨诊断改变——α功率降低和γ频段FC增强，提示抑制控制和大规模网络协调存在共同紊乱。其他频谱差异包括SCZ中δ-θ升高更为明显，以及δ-θ呈梯度连续变化（SCZ > BD > MDD），提示神经失调存在维度性进展。机器学习模型在各站点内能稳健区分精神障碍患者与健康对照，但跨站点泛化和障碍间区分仍然有限，凸显了异质性带来的挑战。这些发现识别出可重复的EEG特征，能够捕捉共同的和障碍特异的神经改变，推动了重性精神障碍早期检测和个体化治疗的努力。

中文由 AI 翻译，仅供参考，以原文为准。