Classificazione basata su EEG della malattia di Alzheimer e della demenza frontotemporale usando la connettività funzionale

Perché i modelli delle onde cerebrali sono importanti

La demenza interessa milioni di famiglie, ma anche i medici a volte faticano a distinguere le diverse forme. La malattia di Alzheimer e la demenza frontotemporale spesso si presentano in modo simile nelle visite cliniche, eppure richiedono piani di cura e protocolli di ricerca differenti. Questo studio pone una domanda semplice ma potente: possiamo usare un test cerebrale rapido e non invasivo — l’elettroencefalografia, EEG — per leggere i modelli di comunicazione del cervello a riposo e aiutare a distinguere queste condizioni dall’invecchiamento sano e l’una dall’altra?

Osservare le conversazioni cerebrali, non solo l’attività

L’EEG misura di solito quanto sono forti le onde cerebrali in diverse bande di frequenza, come le lente onde delta o le più rapide alfa. Qui i ricercatori sono andati oltre ed hanno esaminato come le diverse parti del cervello “parlano” tra loro. Hanno usato registrazioni di 88 persone: 36 con malattia di Alzheimer, 23 con demenza frontotemporale e 29 anziani sani. Con 19 elettrodi sul cuoio capelluto hanno registrato l’attività cerebrale a riposo con occhi chiusi, quindi hanno suddiviso ogni registrazione in molti brevi segmenti temporali. Per ogni segmento e per diverse bande di frequenza hanno calcolato una serie di misure di connettività—descrizioni matematiche di quanto strettamente diversi canali EEG siano legati nel tempo, nella frequenza e nella fase.

Addestrare algoritmi a riconoscere i modelli della demenza

Per trasformare queste mappe di connettività in predizioni, il team ha allenato un ampio insieme di modelli di machine learning di base, ognuno focalizzato su una combinazione di banda di frequenza e misura di connettività. Questi modelli di base hanno usato strumenti matematici specializzati per confrontare i modelli di connettività tra individui. L’output di tutti i modelli di base è stato poi fornito a un modello di livello superiore “impilato” (stacked) che cercava di imparare quali combinazioni di caratteristiche fossero più informative. In modo cruciale, i ricercatori hanno valutato le prestazioni al livello che conta clinicamente: una singola diagnosi per persona. Hanno usato uno schema di test rigoroso che manteneva sempre i dati di una persona completamente separati dai dati di addestramento, riducendo il rischio di risultati eccessivamente ottimistici dovuti a sottili fughe di dati.

Cosa hanno rivelato le onde cerebrali — e cosa no

I modelli di connettività hanno aiutato a separare le persone con demenza dai volontari sani. Per Alzheimer contro controlli sani, alcune singole caratteristiche di connettività hanno raggiunto valori di area sotto la curva superiori all’85%, il che significa che erano abbastanza buone nel classificare chi aveva la malattia. Lo stesso valeva, seppur in modo leggermente meno marcato, per la demenza frontotemporale rispetto all’invecchiamento sano. I segnali più informativi in entrambi i casi provenivano dalla banda alfa, un ritmo legato alla veglia rilassata spesso alterato nella demenza. Al contrario, distinguere Alzheimer da demenza frontotemporale è risultato molto più difficile. Le migliori misure per questo compito provenivano dalla lenta banda delta e raggiungevano solo un’accuratezza modesta, suggerendo che le due malattie condividono molte delle stesse interruzioni delle reti su larga scala in queste registrazioni EEG.

Quando più complessità non significa risposte migliori

Una speranza dei metodi ensemble è che combinare molti predittori deboli possa produrre un modello più forte e affidabile. In questo studio, tuttavia, l’ensemble impilato non ha superato le migliori singole caratteristiche di connettività. Anzi, i migliori modelli standalone erano spesso leggermente più efficaci. Analisi aggiuntive hanno mostrato che molti modelli di base commettevano errori di tipo simile, quindi l’ensemble aveva informazioni veramente nuove limitate da sfruttare. Gli autori hanno anche testato modi diversi di misurare le distanze tra matrici di connettività, incluse avanzate metodologie di geometria “manifold”, ma hanno trovato poco vantaggio rispetto ad approcci più semplici per questo problema diagnostico tra persone.

Cosa significa per pazienti e clinici

Per le persone che affrontano cambiamenti di memoria o di comportamento, questi risultati offrono un cauto ottimismo. L’EEG a riposo, un test rapido, economico e ampiamente disponibile, cattura firme significative della demenza nel modo in cui le regioni cerebrali si collegano tra loro. Allo stesso tempo, il lavoro sottolinea che la sola matematica ingegnosa non può svelare completamente malattie strettamente correlate quando i dati sono limitati e i cambiamenti cerebrali si sovrappongono. Gli autori sostengono che caratteristiche EEG accuratamente scelte e interpretabili, valutate con test rigorosi a livello di soggetto, possono essere più affidabili di modelli altamente complessi. I progressi futuri, suggeriscono, probabilmente verranno dalla combinazione della connettività EEG con altri biomarcatori come immagini cerebrali, esami del sangue e profili cognitivi, per costruire strumenti più precisi e attendibili per diagnosticare le diverse forme di demenza.

Citazione: Mlinarič, T., Van Den Kerchove, A., Barinaga, Z.I. et al. EEG-based classification of alzheimer’s disease and frontotemporal dementia using functional connectivity. Sci Rep 16, 4903 (2026). https://doi.org/10.1038/s41598-026-35316-9

Parole chiave: EEG, connettività funzionale, malattia di Alzheimer, demenza frontotemporale, apprendimento automatico