Классификация болезни Альцгеймера и фронтотемпоральной деменции на основе ЭЭГ и функциональной связности

Почему важны закономерности мозговых волн

Деменция затрагивает миллионы семей, и даже врачу порой трудно отличить разные её формы. Болезнь Альцгеймера и фронтотемпоральная деменция в клинике часто выглядят похоже, но требуют разных планов лечения и участия в исследованиях. В этом исследовании поставлен простой, но мощный вопрос: можно ли с помощью быстрого, неинвазивного теста — электроэнцефалографии (ЭЭГ) — прочитать модели коммуникации мозга в состоянии покоя и помочь отличить эти состояния как от нормального старения, так и друг от друга?

Изучая не только активность мозга, но и его «разговоры»

ЭЭГ обычно измеряет мощность мозговых ритмов в разных частотных диапазонах — например, медленные дельта-волны или более быстрые альфа-волны. В этом исследовании учёные пошли дальше и рассмотрели, как разные участки мозга «общаются» друг с другом. Они использовали записи 88 человек: 36 с болезнью Альцгеймера, 23 с фронтотемпоральной деменцией и 29 здоровых пожилых людей. С 19 электродами на скальпе регистрировали активность мозга в состоянии покоя с закрытыми глазами, затем делили каждую запись на многие короткие сегменты. Для каждого сегмента и для нескольких частотных полос они вычисляли ряд мер связности — математических описаний того, насколько тесно разные каналы ЭЭГ связаны во времени, частоте и фазе.

Обучение алгоритмов распознавать паттерны деменции

Чтобы преобразовать эти карты связности в предсказания, команда обучила большое число базовых моделей машинного обучения, каждая из которых была сфокусирована на одной комбинации частотной полосы и меры связности. Эти базовые модели использовали специальные математические инструменты для сравнения паттернов связности между людьми. Выходы всех базовых моделей затем подавались в модель более высокого уровня — «слоистый» (stacked) ансамбль, который пытался выявить, какие комбинации признаков наиболее информативны. Что важно, исследователи оценивали результаты на уровне, имеющем клиническое значение: одна диагностика на человека. Они применяли строгую схему тестирования, при которой данные каждого человека полностью исключались из обучающей выборки, что снижало риск чрезмерно оптимистичных результатов из‑за утечки данных.

Что показали мозговые волны — и чего не показали

Паттерны связности действительно помогали отделить людей с деменцией от здоровых добровольцев. При сравнении болезни Альцгеймера с контрольной группой некоторые отдельные меры связности достигали значений площади под ROC‑кривой выше 85%, то есть были достаточно хороши для ранжирования наличия заболевания. Для фронтотемпоральной деменции по сравнению со здоровым старением результаты были похожими, хотя несколько слабее. Наиболее информативные сигналы в обоих случаях исходили из альфа‑диапазона — ритма, связанного с расслабленным бодрствованием, который часто нарушается при деменции. Зато различить болезнь Альцгеймера и фронтотемпоральную деменцию оказалось значительно труднее. Лучшие меры для этой задачи исходили из медленного дельта‑диапазона и давали лишь умеренную точность, что указывает на то, что обе болезни разделяют многие одни и те же нарушения крупномасштабных сетей в этих ЭЭГ‑записях.

Когда большая сложность не даёт лучших ответов

Надежда при использовании ансамблей состоит в том, что объединение многих слабых предикторов может дать более сильную и устойчивую модель. В этом исследовании, однако, слоистый ансамбль не превзошёл лучшие отдельные признаки связности. Фактически, лучшие автономные модели часто показывали чуть более высокую эффективность. Дополнительные анализы показали, что многие базовые модели допускали похожие ошибки, поэтому в ансамбле было мало по‑настоящему новой информации для использования. Авторы также протестировали разные способы измерения расстояний между матрицами связности, включая продвинутые методы «многообразной» геометрии, но не обнаружили заметного преимущества перед более простыми подходами для этой задачи диагностики между людьми.

Что это значит для пациентов и врачей

Для людей, сталкивающихся с изменениями памяти или поведения, эти результаты дают осторожный оптимизм. ЭЭГ в состоянии покоя — быстрый, недорогой и широко доступный тест — действительно фиксирует значимые подписи деменции в том, как участки мозга связаны между собой. В то же время работа подчёркивает, что одни только изящные математические приёмы не в состоянии полностью разграничить близкие по проявлениям болезни, когда данные ограничены, а изменения в мозге перекрываются. Авторы утверждают, что тщательно подобранные, интерпретируемые признаки ЭЭГ, оценённые с использованием строгого тестирования на уровне субъектов, могут быть более надёжными, чем очень сложные модели. По их мнению, дальнейший прогресс, вероятно, придёт от сочетания ЭЭГ‑связности с другими биомаркерами — такими как нейровизуализация, анализ крови и когнитивные профили — для создания более точных и надёжных инструментов диагностики разных форм деменции.

Цитирование: 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

Ключевые слова: ЭЭГ, функциональная связность, болезнь Альцгеймера, фронтотемпоральная деменция, машинное обучение