摘要： 新研究表明，深度学习可以利用脑电图(EEG)信号以高准确率区分阿尔茨海默病和额颞叶痴呆。通过分析脑活动的时间和频率，该模型发现了不同的模式：阿尔茨海默病在多个区域表现出更广泛的紊乱，而额颞叶痴呆则更多局限于额叶和颞叶区域的变化。
该系统还能评估疾病严重程度，为临床医生提供比传统工具更快的洞察。这些发现表明，价格合理的EEG技术与先进AI相结合，可能简化诊断流程，并为认知能力下降的患者提供个性化护理。
关键事实
- EEG生物标志物： 额叶和中央区域的慢速δ波在两种疾病中均指示病情。
- 不同模式： 阿尔茨海默病表现出广泛性紊乱，而额颞叶痴呆则更多局限于特定区域。
- 高准确率： 一种两-stage深度学习系统在区分这两种疾病时达到了84%的准确率。
来源： 佛罗里达大西洋大学(FAU)
痴呆症是一组逐渐损害记忆、思考和日常功能的疾病。阿尔茨海默病(AD)是最常见的痴呆形式，2025年影响约720万65岁及以上的美国人。
虽然较为罕见，但额颞叶痴呆(FTD)是早发性痴呆的第二大常见原因，通常影响40至60岁的人群。
尽管两种疾病都会损害大脑，但它们以不同的方式造成损害。AD主要影响记忆和空间感知能力，而FTD则针对负责行为、个性和语言的区域。
由于它们的症状可能重叠，经常导致误诊。区分它们不仅是一个科学挑战，也是临床必要，因为准确的诊断会深刻影响治疗、护理和生活质量。
MRI和PET扫描对诊断AD有效，但成本高、耗时长且需要专业设备。脑电图(EEG)通过测量不同频段的脑活动，提供了一种便携、非侵入性和经济实惠的替代方案。
然而，信号通常嘈杂且个体间差异大，使得分析困难。即使将机器学习应用于EEG数据，结果也不一致，区分AD和FTD仍然困难。
为解决这一问题，佛罗里达大西洋大学(Florida Atlantic University)工程与计算机科学学院的研究人员创建了一个深度学习模型，用于检测和评估AD和FTD。它通过分析与每种疾病相关的基于频率和时间的脑活动模式，提高了EEG的准确性和可解释性。
发表在《生物医学信号处理与控制》期刊上的研究结果发现，慢速δ脑波是AD和FTD的重要生物标志物，主要位于大脑的额叶和中央区域。
在AD中，脑活动受到更广泛的影响，还影响大脑的其他区域和如β频段等，表明大脑损伤更为广泛。这些差异有助于解释为什么AD通常比FTD更容易检测。
该模型在区分痴呆症患者(AD或FTD)与认知正常参与者方面的准确率超过90%。它还以AD相对误差小于35%和FTD相对误差15.5%的精度预测疾病严重程度。
由于AD和FTD具有相似的症状和脑活动，区分它们很困难。通过特征选择，研究人员将模型的特异性——即准确识别无病人群的能力——从26%提高到65%。
他们的两-stage设计——首先检测健康个体，然后区分AD和FTD——达到了84%的准确率，在迄今为止基于EEG的方法中名列前茅。
该模型融合了卷积神经网络和基于注意力的LSTM，从EEG数据中检测痴呆症的类型和严重程度。Grad-CAM显示哪些脑信号影响了模型，帮助临床医生理解其决策。
这种方法提供了对脑活动如何演变以及哪些区域和频段驱动诊断的新见解——这是传统工具很少能捕捉到的。
"我们研究的新颖之处在于如何使用深度学习从EEG信号中提取空间和时间信息，"第一作者、佛罗里达大西洋大学电气工程与计算机科学系博士生Tuan Vo表示。
"通过这样做，我们可以检测到与阿尔茨海默病和额颞叶痴呆相关的微妙脑电波模式，否则这些模式可能会被忽视。我们的模型不仅识别疾病——它还估计其严重程度，为每位患者的病情提供更完整的画面。"
研究还发现，AD往往更为严重，影响更广泛的脑区并导致更低的认知评分，而FTD的影响则更多局限于额叶和颞叶。
这些见解与先前的神经影像学研究一致，但通过显示这些模式如何在EEG数据中呈现，增添了新的深度——这是一种经济实惠且非侵入性的诊断工具。
"我们的发现表明，阿尔茨海默病更广泛地扰乱脑活动，特别是在额叶、顶叶和颞叶区域，而额颞叶痴呆主要影响额叶和中央区域，"合著者、佛罗里达大西洋大学电气工程与计算机科学系副教务长兼教授Hanqi Zhuang博士表示。
"这种差异解释了为什么阿尔茨海默病通常更容易检测。然而，我们的工作也表明，仔细的特征选择可以显著改善我们区分FTD和阿尔茨海默病的能力。"
总体而言，研究表明深度学习可以通过在一个系统中结合检测和严重程度评估来简化痴呆症诊断，减少冗长的评估，并为临床医生提供实时跟踪疾病进展的工具。
"这项工作展示了工程、人工智能和神经科学的融合如何改变我们应对重大健康挑战的方式，"工程与计算机科学学院院长Stella Batalama博士表示。
"考虑到数百万受阿尔茨海默病和额颞叶痴呆影响的人，像这样的突破为更早的检测、更个性化的护理以及真正改善生活的干预措施打开了大门。"
研究合著者包括佛罗里达大西洋大学电气工程与计算机科学系的教学助理教授Ali K. Ibrahim博士和博士生Chiron Bang。
关键问题解答：
问：为什么诊断阿尔茨海默病和额颞叶痴呆很困难？
答：它们的症状和EEG特征经常重叠，如果没有专业成像，会导致误诊。
问：该模型如何改进基于EEG的检测？
答：它同时分析空间和时间特征，揭示标准方法错过的细微脑电波差异。
问：该系统是否也测量阿尔茨海默病的严重程度？
答：是的——它估计两种疾病的严重程度，帮助临床医生更有效地跟踪病情进展。
编辑说明：
- 本文由神经科学新闻编辑编辑。
- 全面审阅了期刊论文。
- 工作人员添加了额外背景。
关于此AI和神经技术研究新闻
作者： Gisele Galoustian
来源： 佛罗里达大西洋大学(FAU)
联系方式： Gisele Galoustian – FAU
图片： 图片归功于神经科学新闻
原始研究： 开放获取。
"使用深度学习从脑电图中提取和解释阿尔茨海默病和额颞叶痴呆的诊断和严重程度预测特征" 由Tuan Vo等人在《生物医学信号处理与控制》上发表
摘要
"使用深度学习从脑电图中提取和解释阿尔茨海默病和额颞叶痴呆的诊断和严重程度预测特征"
阿尔茨海默病(AD)是最常见的痴呆形式，其特征是进行性认知能力下降和记忆丧失。额颞叶痴呆(FTD)，第二常见的痴呆形式，影响额叶和颞叶，导致个性、行为和语言的变化。
由于症状重叠，FTD经常被误诊为AD。虽然脑电图(EEG)便携、非侵入且经济实惠，但其对AD和FTD的诊断潜力受到两种疾病相似性的限制。
为解决这一问题，我们提出了一种基于EEG的特征提取方法，使用深度学习来识别和预测AD和FTD的严重程度。主要发现包括额叶和中央区域的δ频段活动增加作为生物标志物。
通过从EEG信号中提取时间和频谱特征，我们的模型结合了卷积神经网络和基于注意力的长短期记忆(aLSTM)网络，在区分AD和FTD与认知正常(CN)个体方面的准确率超过90%。
它还以AD相对误差小于35%和FTD相对误差约15.5%的精度预测严重程度。由于共享特征，区分FTD和AD仍然具有挑战性。
然而，应用特征选择程序提高了区分AD和FTD的特异性，从26%提高到65%。在此基础上，我们开发了一种两-stage方法，同时对AD、CN和FTD进行分类。在此方法中，首先识别CN，然后区分FTD和AD。
该方法在对AD、CN和FTD进行分类时的整体准确率达到84%。
【全文结束】
