痴呆症是一组逐渐损害记忆、思维和日常功能的疾病统称。阿尔茨海默病作为最常见的痴呆症类型，预计2025年将影响约720万65岁及以上美国人。额颞叶痴呆（FTD）虽较罕见，却是早发性痴呆的第二大病因，常侵袭40至60岁人群。
尽管这两种疾病均损害大脑，但作用机制截然不同。阿尔茨海默病主要影响记忆和空间感知能力，而额颞叶痴呆则靶向行为、个性和语言功能相关脑区。由于症状存在重叠，临床常出现误诊。准确区分二者不仅是科学挑战，更是临床刚需，因为精准诊断将深刻影响治疗方案、照护质量和患者生活质量。
核磁共振（MRI）和正电子发射断层扫描（PET）虽能有效诊断阿尔茨海默病，但成本高昂、耗时且需专业设备。脑电图（EEG）通过传感器测量各频段脑电活动，提供便携、无创且经济的替代方案。然而，脑电信号常受噪声干扰且个体差异显著，分析难度大。即便应用机器学习处理脑电数据，结果仍不稳定，区分阿尔茨海默病与额颞叶痴呆尤为困难。
为解决此问题，佛罗里达大西洋大学工程与计算机科学学院研究团队开发出新型深度学习模型，可检测并评估阿尔茨海默病与额颞叶痴呆。该模型通过分析与疾病相关的频域和时域脑活动模式，显著提升脑电图诊断的准确性与可解释性。
发表在《生物医学信号处理与控制》期刊的研究结果显示，慢波δ节律是阿尔茨海默病和额颞叶痴呆的重要生物标志物，主要集中在大脑额叶和中央区域。在阿尔茨海默病患者中，脑活动紊乱范围更广，波及大脑其他区域及β等频段，表明脑损伤更为广泛。这些差异解释了为何阿尔茨海默病通常比额颞叶痴呆更容易检测。
该模型在区分痴呆症患者（阿尔茨海默病或额颞叶痴呆）与认知正常参与者方面准确率达90%以上。疾病严重程度预测的相对误差分别低于35%（阿尔茨海默病）和15.5%（额颞叶痴呆）。
鉴于阿尔茨海默病与额颞叶痴呆症状及脑活动相似，区分二者存在困难。研究团队通过特征选择将模型特异性——即识别非患者的能力——从26%提升至65%。其创新的两阶段设计（先筛查健康个体，再区分阿尔茨海默病与额颞叶痴呆）达到84%的准确率，跻身当前基于脑电图方法的最优水平。
该模型融合卷积神经网络与基于注意力机制的LSTM，可从脑电数据中同时识别痴呆类型及严重程度。梯度加权类激活映射（Grad-CAM）技术显示影响模型决策的关键脑信号，帮助临床医生理解诊断依据。这种方法为脑活动演变过程提供新视角，揭示驱动诊断的特定脑区和频段——这是传统工具极少能捕捉的维度。
本研究的创新之处在于运用深度学习提取脑电信号中的空间和时序信息。通过这种方法，我们能检测到以往易被忽视的、与阿尔茨海默病和额颞叶痴呆相关的细微脑波模式。我们的模型不仅能识别疾病，还能评估其严重程度，为每位患者提供更完整的病情画像。
图安·沃（Tuan Vo），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
研究还发现，阿尔茨海默病通常更为严重，影响更广泛的脑区并导致认知评分更低，而额颞叶痴呆的影响更集中于额叶和颞叶。这些发现与既往神经影像学研究一致，但首次通过脑电图数据（一种经济无创的诊断工具）展现了这些模式的具体表现。
佛罗里达大西洋大学电气工程与计算机科学系副院长兼教授庄汉奇（Hanqi Zhuang）博士表示："我们的发现表明，阿尔茨海默病更广泛地扰乱大脑活动，尤其在额叶、顶叶和颞叶区域，而额颞叶痴呆主要影响额叶和中央区域。这种差异解释了为何阿尔茨海默病通常更容易检测。但本研究也证明，精心的特征选择能显著提升区分额颞叶痴呆与阿尔茨海默病的能力。"
总体而言，该研究表明深度学习可通过单一系统整合检测与严重程度评估，简化痴呆症诊断流程，减少冗长评估，并为临床医生提供实时追踪疾病进展的工具。
这项工作展示了工程学、人工智能与神经科学的融合如何改变我们应对重大健康挑战的方式。面对数百万阿尔茨海默病和额颞叶痴呆患者，此类突破为早期检测、个性化治疗以及切实改善患者生活的干预措施开辟了新途径。
斯特拉·巴塔拉马（Stella Batalama）博士，佛罗里达大西洋大学工程与计算机科学学院院长
本研究共同作者包括该系教学助理教授阿里·K·易卜拉欣（Ali K. Ibrahim）博士及博士生奇伦·邦（Chiron Bang）。
【全文结束】
