Гибридная deep‑SVM‑архитектура с улучшенной обработкой ЭЭГ‑признаков и объяснимостью на основе SHAP для классификации болезни Альцгеймера

Почему тесты мозговых волн могут обнаруживать деменцию раньше

Деменция, включая болезнь Альцгеймера и фронтотемпоральную деменцию, растёт во всём мире, тогда как современные диагностические методы часто дороги, инвазивны или трудно повторимы регулярно. В этом исследовании изучают, могут ли простые записи мозговой активности, снятые с помощью электроэнцефалограммы (ЭЭГ) — в том числе при помощи шапочки — помочь врачам отличить разные типы деменции от нормального старения. Авторы также уделяют внимание тому, чтобы решения компьютера были понятны клиницистам — то есть не только точны, но и прозрачны и заслуживающи доверия.

Слушая мозг без операции

ЭЭГ фиксирует крошечные электрические сигналы на коже головы, возникающие, когда группы нервных клеток синхронно активируются. Эти сигналы меняются по мере прогрессирования деменции: быстрые ритмы склонны ослабевать, медленные — усиливаться, а связь между областями мозга может нарушаться. В отличие от сканирований мозга или люмбальных пункций, ЭЭГ неинвазивна, относительно недорога и может повторяться столько раз, сколько нужно. Это делает её привлекательным кандидатом для массового скрининга и регулярного наблюдения, при условии, что мы сможем надёжно расшифровывать сложные, зашумлённые паттерны, скрытые в волнах.

Смешение экспертного знания и машинного обучения

Команда разработала гибридную систему, которая объединяет два вида информации из каждого 4‑секундного фрагмента ЭЭГ. Во‑первых, они сформировали «ручные» признаки, известные нейронауке как связанные с деменцией: мощность разных частотных полос (медленные дельта и тета, более быстрые альфа и бета), непредсказуемость спектра и согласованность между левыми и правыми областями мозга в альфа‑диапазоне. Во‑вторых, они обучили компактную одномерную сверточную нейросеть автоматически извлекать полезные временные паттерны прямо из очищенных сигналов. Эти два потока признаков стандартизируются, объединяются в единое представление и затем сжимаются до меньшего набора компонент, чтобы избежать избыточности.

Осторожное обращение с ограниченными данными пациентов

Основной набор данных состоял из покоящихся записей ЭЭГ у 88 взрослых — пациентов с болезнью Альцгеймера, пациентов с фронтотемпоральной деменцией и когнитивно нормальных добровольцев — собранных в согласованных условиях записи. Поскольку число участников относительно невелико, исследователи приняли особые меры, чтобы не переоценить эффективность метода. Данные разбивали по людям, а не по отдельным фрагментам ЭЭГ, так что сигналы одного участника никогда не появлялись одновременно в обучающей и тестовой выборках. Внутри каждого обучающего разбиения они уравновешивали классы контролируемым методом сверхвыборки, нормализовали признаки и настраивали параметры модели — например, сколько главных компонент оставить и насколько сильно регуляризовать итоговый классификатор. Такая вложенная схема оценки резко снижает риск «утечки» информации и чрезмерно оптимистичных результатов.

Высокая точность и понимание того, что видит модель

После объединения признаков и их сжатия итоговый шаг выполняет опорный векторный классификатор — классический алгоритм, который проводит разделяющие границы между группами точек в пространстве признаков. На основном наборе данных этот гибридный конвейер правильно различал болезнь Альцгеймера, фронтотемпоральную деменцию и нормальное старение примерно в 95% случаев по фрагментам ЭЭГ, с одинаково высокой эффективностью для всех трёх групп. Чтобы проверить, насколько подход выдержит новые условия, авторы также применили его без серьёзной доработки к записям со вскрытыми глазами от тех же людей и к полностью независимому набору данных, снятому на другом оборудовании и с иным составом демографических характеристик. Хотя производительность естественно снизилась, система по‑прежнему демонстрировала значимую дискриминацию, что говорит о захвате паттернов, связанных с заболеванием, а не случайных особенностей одного исследования.

Открывая «чёрный ящик» для клиницистов

Помимо точности, центральной целью работы является объяснимость: врачам важно видеть, почему алгоритм склоняется к тому или иному диагнозу. Исследователи использовали метод SHAP для оценки того, насколько каждый признак «подталкивает» модель в сторону или против определённого класса. Группируя эти вклады в простые единицы — например конкретные частотные полосы и области мозга — они получили сводки, напоминающие традиционные отчёты по ЭЭГ. Паттерны, усиливающие решения в пользу болезни Альцгеймера или фронтотемпоральной деменции, включали усиление медленной тета‑активности в фронтальных областях, ослабление альфа‑ритма в задних регионах и снижение координации в альфа‑диапазоне между полушариями — что соответствует десятилетиям клинических наблюдений по ЭЭГ.

Что это значит для пациентов и клиник

На практическом уровне исследование показывает, что тщательно спроектированная система на основе ЭЭГ может с высокой надёжностью отличать два крупные типа деменции друг от друга и от нормального старения, одновременно объясняя свою логику в знакомых физиологических терминах. При подтверждении на более крупных многоцентровых когортах такие инструменты могли бы поддерживать более раннюю и более точную диагностику с использованием доступного оборудования и быть интегрированы в удобные для клиники панели, показывающие оценки риска и признаки мозговых волн, лежащие в основе этих оценок. Этот подход не предназначен заменить врачей, а служить вторым взглядом — подчёркивая тонкие изменения в активности мозга, которые могут сигнализировать о необходимости дальнейшего обследования или более тщательного наблюдения.

Цитирование: Akbar, F., Alkhrijah, Y., Usman, S.M. et al. A deep-SVM hybrid framework with enhanced EEG feature engineering and SHAP-based explainability for Alzheimer’s classification. Sci Rep 16, 13001 (2026). https://doi.org/10.1038/s41598-026-43431-w

Ключевые слова: диагностика деменции по ЭЭГ, болезнь Альцгеймера, фронтотемпоральная деменция, объяснимая ИИ, мозговые волны