Рамочная модель на основе ИИ для точного выявления болезни Альцгеймера по ЭЭГ

Почему мозговые волны важны при потере памяти

Болезнь Альцгеймера постепенно подтачивает память и независимость, и к тому времени, когда симптомы становятся очевидными, значительная часть ущерба уже нанесена. Врачи остро нуждаются в методах раннего выявления болезни, которые были бы безопасными, доступными по цене и практичными для рутинных проверок. В этом исследовании изучается, могут ли простые записи мозговой активности — электроэнцефалограммы (ЭЭГ) — в сочетании с современным искусственным интеллектом выявлять скрытые признаки Альцгеймера задолго до того, как они станут видны на сканах мозга или в повседневной жизни.

Слушая мозг без операции

ЭЭГ — это безболезненное исследование, при котором маленькие электроды на коже головы улавливают электрическую активность мозга. Оно значительно дешевле и более портативно, чем МРТ или ПЭТ, и может выполняться многократно. Однако исходные ЭЭГ‑сигналы шумные: они содержат помехи от моргания, движений мышц и окружающей среды, а паттерны, связанные с Альцгеймером, могут быть тонкими и распространяться по разным областям мозга и частотным диапазонам. Традиционно исследователи либо использовали вручную разработанные математические сводки этих сигналов, либо применяли методы глубокого обучения, которые извлекают паттерны напрямую из сырых данных. Каждый подход имеет сильные стороны, но и существенные слепые пятна.

Смешение двух способов видения мозговой активности

Авторы предлагают гибридную стратегию, сочетающую лучшее из обоих подходов. Сначала они очищают ЭЭГ‑записи, фильтруя нежелательные помехи и корректируя медленные дрейфы сигнала. Затем извлекают «спектральные» характеристики, описывающие, как электрическая мощность распределена по частотным диапазонам — например, медленные волны, связанные с сонливостью, и более быстрые ритмы, связанные с вниманием. Эти показатели давно известны как меняющиеся при деменции. Одновременно специально разработанная сверточная нейронная сеть (CNN) анализирует ЭЭГ более целостно, автоматически выявляя сложные пространственные паттерны, которые могут быть неочевидны для человеческих экспертов.

Обучение ИИ отслеживать изменения во времени

Вместо того чтобы обрабатывать эти два набора признаков раздельно, система объединяет их в единое богатое описание мозговой активности каждого человека. Это комбинированное представление затем подается в более продвинутую сеть — модель Convolutional Long Short-Term Memory (Conv‑LSTM). «Сверточная» часть улавливает организацию активности по поверхности головы, а «LSTM» отслеживает, как паттерны меняются во времени, подобно тому как отслеживаются фразы в устной речи. Фактически модель учится определять и где, и когда появляются изменения, связанные с Альцгеймером в ЭЭГ, используя около 0,9 миллиона обучаемых параметров — достаточно компактно, чтобы работать на стандартном оборудовании.

Насколько хорошо работает система?

Исследователи протестировали свою схему на данных ЭЭГ в состоянии покоя у пожилых людей с болезнью Альцгеймера и без неё. Они разделили записи на наборы для обучения, валидации и финального тестирования и оценивали работу с помощью стандартных показателей точности и надежности. Модель Conv‑LSTM с объединением признаков правильно отличала случаи с Альцгеймером от случаев без него в 99,8% наблюдений — что существенно лучше нескольких сравнительных систем, включая только CNN, только LSTM и традиционные методы машинного обучения. Модели, в которых отсутствовали либо спектральные признаки, либо глубоко обученные признаки, систематически показывали меньшую точность, что подчеркивает ценность сочетания комплементарных представлений одних и тех же мозговых сигналов.

Что это может значить для пациентов и клиник

Для неспециалиста суть проста: позволив искусственному интеллекту внимательнее «слушать» мозговые волны, этот метод превращает знакомое, низкорисковое исследование в мощную систему раннего предупреждения о болезни Альцгеймера. Работа показывает, что относительно легковесный автоматизированный инструмент на основе ЭЭГ мог бы помочь клиницистам проводить скрининг пациентов в повседневных условиях, отмечая тех, кто нуждается в более пристальном наблюдении или продвинутой визуализации. Хотя прежде чем такие системы смогут влиять на решения о лечении, требуются более масштабные и разнообразные исследования, текущее исследование указывает на будущее, в котором рутинные записи мозговых волн, интерпретируемые умными алгоритмами, помогут выявлять деменцию раньше и точнее, давая пациентам и их семьям больше времени для планирования и получения выгоды от новых терапий.

Цитирование: Hemalatha, B., Venkatachalam, K., Siuly, S. et al. AI-driven framework for accurate detection of Alzheimer’s disease in EEG. Sci Rep 16, 5509 (2026). https://doi.org/10.1038/s41598-026-35184-3

Ключевые слова: Болезнь Альцгеймера, ЭЭГ мозговые волны, глубокое обучение, ранняя диагностика, медицинский ИИ