课题三：多模态 AI 预测 rTMS 治疗反应¶
状态: ✅ 发挥 AI 能力
研究类型: 前瞻性队列研究 + 机器学习
样本量: 120 例（与 RCT 同一批）
周期: 18 个月
特色: 多模态整合、可解释 AI、临床工具
📋 研究概要¶
研究问题¶
能否在基线时通过多模态数据预测患者对 rTMS 治疗的反应？
研究假设¶
基于基线多模态数据（临床、PSG、HRV 等）的 AI 模型可准确预测 rTMS 治疗反应
创新价值¶
- 首次整合多模态数据预测 rTMS 疗效
- 开发可解释 AI 模型
- 为个体化治疗决策提供工具
🎯 研究目标¶
主要目标¶
- 开发并验证 rTMS 治疗反应的预测模型
次要目标¶
- 识别预测疗效的关键特征
- 建立临床可用的预测工具
- 探索不同证型的预测特征差异
📐 研究设计¶
研究类型¶
- 前瞻性队列研究
- 机器学习建模
样本¶
- 来源: 课题一 RCT 研究的患者
- 样本量: 120 例
- 分组:
- 训练集：84 例（70%）
- 验证集：24 例（20%）
- 测试集：12 例（10%）
📊 数据模态¶
模态 1：临床数据¶
| 变量类型 | 具体指标 |
|---|---|
| 人口学 | 年龄、性别、BMI、教育程度 |
| 病程 | 失眠病程、既往治疗史 |
| 量表 | ISI、PSQI、HAMA、HAMD、SDS、SAS |
| 中医证型 | 4 个证型分类 |
| 合并症 | 躯体疾病、精神疾病 |
模态 2：PSG 指标¶
| 参数类别 | 具体指标 |
|---|---|
| 睡眠结构 | SOL, TST, SE, WASO, N1-3%, REM% |
| 睡眠微结构 | 睡眠纺锤波、K-complex |
| 呼吸事件 | AHI, ODI, SaO2min |
| 运动事件 | PLMI |
模态 3：HRV 指标¶
| 参数类型 | 具体指标 |
|---|---|
| 时域 | SDNN, RMSSD, pNN50 |
| 频域 | LF, HF, LF/HF |
| 非线性 | SD1, SD2, SampEn |
模态 4：其他生物标志物（可选）¶
- 炎症因子：IL-6, TNF-α, CRP
- HPA 轴：皮质醇节律
- 生化指标
🤖 机器学习方案¶
结局定义¶
治疗反应: ISI 减分率 ≥50% 定义为有效
模型选择¶
基准模型¶
- 逻辑回归（LR）
- 随机森林（RF）
- 支持向量机（SVM）
- XGBoost
深度学习（探索）¶
- 多层感知机（MLP）
- 图神经网络（GNN）- 探索变量间关系
特征工程¶
特征选择¶
- 单变量分析（t 检验/卡方）
- LASSO 回归
- 递归特征消除（RFE）
- 基于树模型的特征重要性
特征处理¶
- 标准化/归一化
- 缺失值处理（多重插补）
- 异常值检测
模型训练¶
交叉验证¶
- 5 折交叉验证
- 重复 10 次
超参数优化¶
- 网格搜索/随机搜索
- Bayesian optimization
类别不平衡处理¶
- SMOTE 过采样
- 类别权重调整
📈 模型评估¶
区分度指标¶
- AUC-ROC
- 准确率、灵敏度、特异度
- F1 分数
校准度指标¶
- 校准曲线
- Brier score
临床实用性¶
- 决策曲线分析（DCA）
- 净重分类改善指数（NRI）
🔍 可解释性¶
全局可解释性¶
- 特征重要性排序
- SHAP 值
-
Permutation importance
-
部分依赖图
- 关键特征与预测概率的关系
局部可解释性¶
- 个体预测解释
- LIME
-
SHAP 瀑布图
-
临床可读的报告
- "该患者预测有效概率 78%，主要依据：年轻、病程短、基线 ISI 中等、N3% 较高"
🛠️ 技术实现¶
开发环境¶
- 语言: Python 3.9+
- 库: scikit-learn, XGBoost, PyTorch, SHAP
数据管理¶
- 数据库: REDCap 或 MySQL
- 版本控制: Git
- 数据脱敏: 符合伦理要求
模型部署（远期）¶
- 形式: Web 应用或小程序
- 输入: 临床指标
- 输出: 预测概率 + 解释
📝 研究进度¶
| 阶段 | 时间 | 任务 |
|---|---|---|
| 准备期 | 第 1-3 月 | 文献回顾、方案设计、数据管理搭建 |
| 数据收集 | 第 4-15 月 | 与 RCT 同步收集数据 |
| 建模期 | 第 12-16 月 | 特征工程、模型训练、验证 |
| 总结期 | 第 17-18 月 | 论文撰写、工具开发 |
💡 预期产出¶
学术产出¶
- 1-2 篇 SCI 论文（医学信息学/睡眠医学）
- 1 篇中文核心论文
技术产出¶
- 预测模型代码库
- 可解释性分析报告
临床产出¶
- 预测工具原型
- 个体化治疗决策支持
⚠️ 挑战与对策¶
| 挑战 | 对策 |
|---|---|
| 样本量较小 | 使用迁移学习/集成学习 |
| 多模态数据整合 | 特征级融合/决策级融合 |
| 过拟合风险 | 严格交叉验证、正则化 |
| 临床转化困难 | 早期与临床医生沟通、简化模型 |
📚 参考文献¶
待添加关键文献： - [ ] AI 预测精神科治疗反应的研究 - [ ] 多模态数据整合方法 - [ ] 可解释 AI 在医学中的应用
🔗 相关链接¶
- [[课题组规划]] - 整体规划
- [[课题一：rTMS 治疗失眠]] - 数据来源
- [[科研管理]] - 科研领域首页
- [[机器学习方法学]] - 待创建
最后更新：2026-03-09
优势：发挥团队 AI 能力，创新性强