基于人工智能的框架用于通过脑电图准确检测阿尔茨海默病

为何脑电波与记忆丧失相关

阿尔茨海默病会逐步侵蚀记忆与独立生活能力，但在症状明显出现时，很多损伤已难逆转。医生迫切需要能更早发现该病的手段，这些手段应安全、经济并适用于常规体检。本文研究了是否将简单的脑电记录（EEG）与现代人工智能结合，能够在脑影像或日常表现可见之前，揭示阿尔茨海默病的隐藏早期信号。

在不动刀的情况下“倾听”大脑

EEG 是一种无痛检查，通过贴在头皮上的小电极记录大脑的电活动。它比 MRI 或 PET 成本低、便携性强，且可频繁重复。然而，原始 EEG 信号很嘈杂，包含眨眼、肌肉活动和环境噪声等干扰，而与阿尔茨海默病相关的模式往往微妙且分布在多个脑区和不同频段。传统上，研究者要么侧重于对这些信号进行人工设计的数学总结，要么使用直接从原始数据中学习模式的深度学习程序。两种方法各有优点，但也存在明显盲点。

融合两种观察大脑活动的方式

作者提出了一种混合策略，兼顾二者优点。首先，他们通过滤除不需要的噪声并校正信号的缓慢漂移来清理 EEG 记录。然后提取“谱”特征，描述脑电功率如何分布在不同频率带——例如与昏昏欲睡相关的慢波，或与注意力相关的较快节律。这些指标长期以来被认为会在痴呆中发生变化。与此同时，专门设计的卷积神经网络（CNN）以更整体的方式查看 EEG 数据，自动学习那些人类专家可能不易察觉的复杂空间模式。

教 AI 识别随时间演变的变化

系统并不将这两类特征分开处理，而是将它们融合为对每位受试者脑活动的单一且丰富的描述。该组合表示随后输入到更高级的网络——卷积长短期记忆（Conv-LSTM）模型中。“卷积”部分捕捉活动在头皮上的组织方式，而“LSTM”部分则用于跟踪模式随时间的演变，类似于追踪语言中的短语。实际上，模型同时学习阿尔茨海默相关变化出现的时间与位置，约有 0.9 百万个可训练参数——足够紧凑，可在标准硬件上运行。

系统表现如何？

研究者在老年受试者的静息态 EEG 数据上测试了他们的框架，这些受试者中有阿尔茨海默病患者也有非患者。研究将记录分为训练、验证和最终测试集，并使用标准的准确性与可靠性指标评估性能。基于融合的 Conv-LSTM 模型在 99.8% 的案例中正确区分了阿尔茨海默与非阿尔茨海默——明显优于若干对比系统，包括单独的 CNN、单独的 LSTM 以及传统机器学习方法。缺少谱特征或深度学习特征的模型表现始终较差，强调了结合多种互补视角来解释同一脑信号的重要性。

这对患者与临床意味着什么

对非专业读者而言，结论很直接：通过让人工智能更细致地“听”脑电波，这一方法能将一种熟悉且风险低的检查转变为有力的阿尔茨海默早期预警工具。研究表明，相对轻量且自动化的基于 EEG 的工具，可能帮助临床在日常环境中筛查患者，标记需要进一步随访或高级影像检查的人群。尽管在将此类系统用于治疗决策前仍需更大规模且更具多样性的研究，但该工作指向了一个未来：常规的脑电记录经由智能算法解读，能更早且更准确地发现痴呆，为患者和家庭争取更多规划与接受新疗法的时间。

引用: 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

关键词: 阿尔茨海默病, 脑电波（EEG）, 深度学习, 早期诊断, 医疗人工智能