Klasyfikacja choroby Alzheimera i otępienia czołowo‑skroniowego na podstawie EEG z użyciem łączności funkcjonalnej

Dlaczego wzorce fal mózgowych mają znaczenie

Otępienie dotyka miliony rodzin, ale nawet lekarzom trudno bywa rozróżnić jego odmienne postacie. Choroba Alzheimera i otępienie czołowo‑skroniowe często wyglądają podobnie w praktyce klinicznej, a tymczasem wymagają różnych planów opieki i różnych badań. W badaniu postawiono proste, ale istotne pytanie: czy szybkie, nieinwazyjne badanie mózgu — elektroencefalografia (EEG) — może odczytać wzorce komunikacji mózgu w spoczynku i pomóc odróżnić te zaburzenia od zdrowego starzenia się oraz od siebie nawzajem?

Patrząc na rozmowy mózgu, nie tylko na aktywność

EEG zazwyczaj mierzy, jak silne są fale mózgowe w różnych pasmach częstotliwości, takich jak wolne fale delta czy szybsze fale alfa. Autorzy poszli krok dalej i zbadali, jak różne części mózgu „rozmawiają” ze sobą. Wykorzystali nagrania od 88 osób: 36 z chorobą Alzheimera, 23 z otępieniem czołowo‑skroniowym i 29 zdrowych starszych dorosłych. Za pomocą 19 elektrod na skórze głowy rejestrowali aktywność mózgu w spoczynku, przy zamkniętych oczach, a następnie podzielili każde nagranie na wiele krótkich segmentów czasowych. Dla każdego segmentu i kilku pasm częstotliwości obliczyli szereg miar łączności — matematycznych opisów tego, jak silnie różne kanały EEG są powiązane w czasie, częstotliwości i fazie.

Uczenie algorytmów rozpoznawania wzorców otępienia

Aby przekształcić mapy łączności w prognozy, zespół wytrenował dużą liczbę prostych modeli uczenia maszynowego, z których każdy skupiał się na jednej kombinacji pasma częstotliwości i miary łączności. Modele bazowe używały wyspecjalizowanych narzędzi matematycznych do porównywania wzorców łączności między osobami. Wyniki wszystkich modeli bazowych podano następnie do wyższego poziomu — modelu „stacked”, który miał nauczyć się, które kombinacje cech są najbardziej informatywne. Co istotne, badacze oceniali wydajność na poziomie istotnym klinicznie: jedna diagnoza na osobę. Zastosowali rygorystyczny schemat testowania, który zawsze trzymał dane jednej osoby całkowicie oddzielone od danych treningowych, zmniejszając ryzyko nadmiernie optymistycznych wyników spowodowanych subtelnym przeciekiem danych.

Co ujawniły fale mózgowe — i czego nie ujawniły

Wzorce łączności pomogły odróżnić osoby z otępieniem od zdrowych ochotników. W przypadku choroby Alzheimera kontra grupa kontrolna niektóre indywidualne cechy łączności osiągały wartości pola pod krzywą (AUC) powyżej 85%, co oznacza, że całkiem nieźle klasyfikowały obecność choroby. Podobnie, choć nieco słabiej, było w przypadku otępienia czołowo‑skroniowego kontra zdrowe starzenie się. Najbardziej informatywne sygnały w obu porównaniach pochodziły z pasma alfa, rytmu związanego z zrelaksowaną czujnością, który często jest zaburzony w otępieniu. Natomiast rozróżnienie choroby Alzheimera i otępienia czołowo‑skroniowego było znacznie trudniejsze. Najlepsze miary dla tego zadania pochodziły z wolnego pasma delta i osiągały tylko umiarkowaną dokładność, co sugeruje, że obie choroby dzielą wiele tych samych zakłóceń sieci na dużą skalę w tych nagraniach EEG.

Kiedy większa złożoność nie daje lepszych odpowiedzi

Jedną z nadziei metod zespołowych jest to, że połączenie wielu słabych predyktorów może dać silniejszy, bardziej niezawodny model. W tym badaniu jednak model zespołowy „stacked” nie przewyższał najlepszych pojedynczych cech łączności. W rzeczywistości najlepsze samodzielne modele często były nieco lepsze. Dalsze analizy wykazały, że wiele modeli bazowych popełniało podobne rodzaje błędów, więc zespół miał ograniczoną ilość naprawdę nowej informacji do wykorzystania. Autorzy testowali też różne sposoby mierzenia odległości między macierzami łączności, w tym zaawansowane metody geometrii „rozmaitości”, ale nie znaleźli dużej przewagi nad prostszymi podejściami dla tego międzyosobowego problemu diagnostycznego.

Co to oznacza dla pacjentów i klinicystów

Dla osób doświadczających zmian pamięci lub zachowania wyniki te dają ostrożny optymizm. EEG w stanie spoczynku — szybkie, niedrogie i szeroko dostępne badanie — przechwytuje znaczące sygnatury otępienia w sposobie, w jaki regiony mózgu się ze sobą łączą. Jednocześnie praca podkreśla, że sama pomysłowa matematyka nie jest w stanie w pełni rozdzielić blisko spokrewnionych chorób, gdy dane są ograniczone, a zmiany mózgowe się nakładają. Autorzy argumentują, że starannie dobrane, interpretowalne cechy EEG, oceniane przy użyciu rygorystycznego testowania na poziomie osobniczym, mogą być bardziej wiarygodne niż bardzo złożone modele. Postęp prawdopodobnie będzie wynikał z łączenia łączności EEG z innymi biomarkerami, takimi jak obrazowanie mózgu, badania krwi i profile poznawcze, aby zbudować dokładniejsze i bardziej zaufane narzędzia do diagnozowania różnych postaci otępienia.

Cytowanie: 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

Słowa kluczowe: EEG, łączność funkcjonalna, choroba Alzheimera, otępienie czołowo‑skroniowe, uczenie maszynowe