機能的結合性を用いたEEGベースのアルツハイマー病と前頭側頭型認知症の分類

脳波パターンが重要な理由

認知症は何百万もの家族に影響を与えますが、医師でさえ異なる型を見分けるのに苦労することがあります。アルツハイマー病と前頭側頭型認知症は臨床ではしばしば似た像を示しますが、それぞれ異なる治療計画や研究試験を必要とします。本研究はシンプルだが強力な問いを投げかけます：短時間で非侵襲的に行える脳検査、すなわち脳波計（EEG）で安静時の脳の通信パターンを読み取り、健常な加齢との区別や両者の識別に役立てることはできるか？

脳活動そのものだけでなく、脳の会話を観る

EEGは通常、遅いデルタ波や速いアルファ波など、さまざまな周波数帯の脳波の強さを測ります。本研究では一歩進めて、脳の異なる領域がどのように「話し合っている」かを調べました。研究者は88名の記録を用いました：アルツハイマー病36名、前頭側頭型認知症23名、健常高齢者29名。19個の頭皮電極で閉眼による安静時の脳活動を記録し、それぞれの記録を多数の短い時間区間に分割しました。各区間について、いくつかの周波数帯で、複数の結合性指標―異なるEEGチャネル間が時間・周波数・位相の面でどれほど強く結びついているかを記述する数学的指標―を算出しました。

アルゴリズムに認知症パターンを教育する

これらの結合性マップを予測に変えるため、研究チームは多数の基本的な機械学習モデルを訓練しました。各モデルは特定の周波数帯と結合性指標の組み合わせに焦点を当てています。これらのベースモデルは個人間の結合パターンを比較するための専門的な数学的手法を用いました。すべてのベースモデルの出力は、どの特徴の組み合わせが最も情報量が多いかを学習しようとする上位の「スタック」モデルに入力されました。重要なのは、研究者が臨床的に重要な単位、つまり個人ごとの1回の診断レベルで性能を評価した点です。訓練データと常に完全に分離された一人のデータを残す厳格な検証スキームを用い、微妙なデータ漏洩による過度に楽観的な結果のリスクを減らしました。

脳波が示したこと—示さなかったこと

結合性パターンは、認知症の人と健常被験者を分けるのに役立ちました。アルツハイマー対健常群では、いくつかの個別の結合性特徴がAUC（受信者操作特性曲線下面積）で85％を超え、疾患のランク付けにかなり有効であることを示しました。同様に、前頭側頭型認知症対健常高齢者でも有意な結果が得られましたが、やや弱めでした。両場合で最も有益だった信号はアルファ帯から得られ、アルファ帯は安静覚醒に関連するリズムであり、認知症でしばしば乱れることが知られています。これに対し、アルツハイマーと前頭側頭型認知症の区別ははるかに困難でした。この課題で最良の指標は遅いデルタ帯に由来し、精度は控えめであり、両疾患がこれらのEEG記録において多くの同様の大規模ネットワーク障害を共有していることを示唆しています。

複雑さが増しても必ずしも正答が増えるわけではない

アンサンブル法の期待の一つは、多くの弱い予測子を組み合わせることでより強力で信頼できるモデルが得られることです。しかし本研究では、スタック型のアンサンブルは最良の単独の結合性特徴を上回りませんでした。実際、トップの単独モデルの方がやや優れていることが多く見られました。追加の解析では、多くのベースモデルが類似した種類の誤りを犯しており、アンサンブルが活用できる真に新しい情報が限られていることが示されました。著者らはまた、結合行列間の距離を測る方法として高度な“多様体”幾何学的手法を含む異なる手法を検証しましたが、この被験者間診断の問題に対しては単純な手法に比べて大きな利点は見つかりませんでした。

患者と臨床家にとっての意味

記憶や行動の変化に直面している人々にとって、これらの結果は慎重な楽観を提供します。安静時EEGは短時間で費用も低く広く利用可能な検査であり、脳領域間の結合の仕方に認知症の有意な署名をとらえていることが示されました。同時に、データが限られ脳変化が重なり合う場合には、巧妙な数学だけでは密接に関連する疾患を完全に見分けられないことも浮き彫りになりました。著者らは、厳格な被験者レベルの検証で評価された、慎重に選ばれ解釈可能なEEG特徴の方が非常に複雑なモデルよりも信頼できる可能性が高いと主張しています。将来の進展は、EEG結合性を脳画像、血液検査、認知プロファイルなど他のバイオマーカーと組み合わせることで、異なる認知症形態を診断するためのより精密で信頼性の高いツールを構築することから生まれるだろうと示唆しています。

引用: 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

キーワード: EEG, 機能的結合性, アルツハイマー病, 前頭側頭型認知症, 機械学習