基于 EEG 的功能连接性对阿尔茨海默病与额颞叶痴呆的分类

为什么脑电波模式很重要

痴呆影响着数以百万计的家庭，但即便是医生有时也难以区分不同类型。阿尔茨海默病和额颞叶痴呆在临床上常常表现相似，然而却需要不同的护理方案和试验设计。本研究提出一个简单但有力的问题：我们能否利用一种快速、无创的大脑检测——脑电图（EEG）——在静息状态下读取大脑的通信模式，从而帮助区分这些疾病与健康老化，以及彼此之间的差异？

观察大脑“对话”，而不仅是大脑活动强度

EEG 通常测量不同频段脑电波的强度，例如较慢的 delta 波或较快的 alpha 波。在这里，研究者更进一步，检查大脑不同区域如何“交谈”。他们使用了 88 名受试者的记录：36 名阿尔茨海默病患者、23 名额颞叶痴呆患者和 29 名健康老年人。研究者用 19 个头皮电极记录受试者在闭眼静息时的大脑活动，然后将每次记录分割成许多短的时间段。对于每个时间段和多个频带，他们计算了一系列连接性指标——用来数学描述不同 EEG 通道在时间、频率与相位上多么紧密相连。

教算法识别痴呆模式

为了将这些连接性图谱转化为预测结果，团队训练了大量基础机器学习模型，每个模型专注于一种频带与一种连接性指标的组合。这些基础模型使用专门的数学工具来比较个体之间的连接模式。所有基础模型的输出随后被输入到一个更高层的“堆叠”模型中，后者尝试学习哪些特征组合最具信息量。关键在于，研究者在临床相关的层面上评估性能：每人仅给出一个诊断。他们采用严格的测试方案，总是将某一位受试者的数据完全与训练数据分开，从而减少由于细微数据泄漏而导致的过于乐观的结果风险。

脑电波揭示了什么——以及没能揭示什么

连接性模式确实帮助将痴呆患者与健康志愿者区分开来。就阿尔茨海默病与健康对照组而言，某些单一连接性特征的曲线下面积（AUC）得分超过 85%，表明它们在区分患病者方面相当有效。对于额颞叶痴呆与健康老化的比较情况也类似，虽略微逊色。两种比较中最有信息量的信号均来自 alpha 频段——这一节律与放松觉醒状态相关，在痴呆中常被扰动。相比之下，将阿尔茨海默病与额颞叶痴呆互相区分要困难得多。用于此任务的最佳指标来自较慢的 delta 频段，且仅达到有限的准确度，这表明在这些 EEG 记录中，两种疾病在许多大尺度网络扰动方面存在重叠。

更复杂并不总是更好

集成方法的一个希望是，将许多弱预测器组合起来可以产生更强、更可靠的模型。然而在这项研究中，堆叠集成并未优于表现最好的单一连接性特征。事实上，顶级的独立模型常常略好于集成模型。额外分析显示，许多基础模型犯的是相似类型的错误，因此集成并没有太多真正新的信息可供利用。作者还测试了不同的连接矩阵距离测量方法，包括先进的“流形”几何方法，但发现相对于这个跨人诊断问题，较简单的方法并没有明显劣势。

这对患者与临床医生意味着什么

对于面临记忆或行为变化的人群，这些发现带来谨慎的乐观。静息态 EEG——一种快速、廉价且广泛可及的检测——确实捕捉到了有关痴呆的有意义特征，反映了大脑区域之间的连接方式。与此同时，这项工作也强调，仅靠精巧的数学方法无法在数据有限且大脑变化重叠时完全解开紧密相关疾病的差异。作者认为，经过谨慎挑选且可解释的 EEG 特征，配合严格的受试者级别测试，可能比高度复杂的模型更可靠。他们建议，未来的进展很可能来自将 EEG 连接性与其他生物标志物（如脑影像、血液检测和认知测评）结合，从而构建更精确且值得信赖的不同痴呆类型诊断工具。

引用: 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

关键词: 脑电图（EEG）, 功能连接性, 阿尔茨海默病, 额颞叶痴呆, 机器学习