[论文解读] Towards a Network Control Theory of Electroconvulsive Therapy Response

Tim Hahn, Hamidreza Jamalabadi+25 more|arXiv (Cornell University)|Dec 14, 2021

Functional Brain Connectivity Studies被引用 6

一句话总结

本研究提出一种基于网络控制理论（NCT）的框架，通过将电休克治疗（ECT）前的结构性脑连接组与术后抑制指数（PSI）——一种已知的治疗结局预测因子——关联，以预测个体对ECT的反应。利用弥散张量成像（DTI）获取的全脑模态和平均可控性度量，作者证明这些理论基础坚实的度量指标在预测ECT反应方面表现与复杂机器学习模型相当，并确认了通过PSI的中介作用，为个性化ECT规划提供了机制性、可预测的模型。

ABSTRACT

Electroconvulsive Therapy (ECT) is arguably the most effective intervention for treatment-resistant depression. While large interindividual variability exists, a theory capable of predicting individual response to ECT remains elusive. To address this, we posit a quantitative, mechanistic framework of ECT response based on Network Control Theory (NCT). Then, we empirically test our approach and employ it to predict ECT treatment response. To this end, we derive a formal association between Postictal Suppression Index (PSI) - an ECT seizure quality index - and whole-brain modal and average controllability, NCT metrics based on white matter brain network architecture, respectively. Exploiting the known association of ECT response and PSI, we then hypothesized an association between our controllability metrics and ECT response mediated by PSI. We formally tested this conjecture in N=50 depressive patients undergoing ECT. We show that whole-brain controllability metrics based on pre-ECT structural connectome data predict ECT response in accordance with our hypotheses. In addition, we show the expected mediation effects via PSI. Importantly, our theoretically motivated metrics are at least on par with extensive machine learning models based on pre-ECT connectome data. In summary, we derived and tested a control-theoretic framework capable of predicting ECT response based on individual brain network architecture. It makes testable, quantitative predictions regarding individual therapeutic response, which are corroborated by strong empirical evidence. Our work might constitute a starting point for a comprehensive, quantitative theory of personalized ECT interventions rooted in control theory.

研究动机与目标

• 基于脑网络结构，发展一种机制性、定量的理论，以预测个体对ECT的反应。
• 检验网络控制理论（NCT）度量——模态可控性和平均可控性——是否通过术后抑制指数（PSI）预测ECT反应。
• 建立一个理论基础坚实的、ECT前可测量的预测生物标志物，以克服PSI仅能在干预后测量的局限性。
• 将NCT衍生度量的预测能力与基于相同ECT前连接组数据的最先进机器学习模型进行比较。

提出的方法

• 从ECT前的弥散张量成像（DTI）数据中提取全脑模态和平均可控性度量，代表大脑的结构性连接组。
• 正式将这些NCT度量与术后抑制指数（PSI）关联，PSI是基于脑电图（EEG）的临床指标，用于衡量癫痫发作质量，已知与ECT反应相关。
• 在50名患者的样本中，检验了可控性度量通过涉及PSI的中介路径预测ECT反应的假设。
• 采用多元回归和中介分析评估预测准确性和因果路径。
• 将基于NCT的预测结果与使用相同连接组特征的机器学习流程（PHOTON AI）的预测结果进行比较。
• 基于纤维束数量、部分各向异性及连接存在率实施异常值检测，以确保数据质量。

实验结果

研究问题

• RQ1 网络控制理论度量——模态可控性和平均可控性——是否能预测抑郁症患者的个体ECT反应？
• RQ2 可控性度量与ECT反应之间的关联是否由术后抑制指数（PSI）中介？
• RQ3 NCT衍生度量在预测性能上与在相同ECT前连接组数据上训练的复杂机器学习模型相比如何？
• RQ4 理论上驱动的NCT度量是否为个性化ECT规划提供了机制可解释的基础？

主要发现

• ECT前的全脑模态和平均可控性度量在50名难治性抑郁症患者样本中显著预测了ECT治疗反应。
• 可控性度量与ECT反应之间的关联完全由术后抑制指数（PSI）中介，证实了假设的路径。
• 尽管基于理论且数据需求较低，基于NCT的预测性能至少与在相同连接组特征上训练的复杂机器学习模型（如随机森林、支持向量回归）相当。
• 即使在排除通过连接性度量识别出的三个潜在异常值后，该模型的预测能力依然稳健。
• 本研究为将脑网络结构与临床ECT结局相联系的控制理论框架提供了实证验证，为个体间治疗反应差异提供了机制性解释。
• 结果支持基于结构连接组的可控性作为ECT前生物标志物，用于个性化治疗规划的可行性。