脑电图传感器记录脑活动（左图），生成脑波信号（中图），这些信号由可解释人工智能（右上图）分析并映射到脑区（右下图），以无创方式检测和解读痴呆类型及严重程度。来源：佛罗里达大西洋大学（Florida Atlantic University）
痴呆症是一组逐渐损害记忆、思维和日常功能的疾病。阿尔茨海默病（AD）作为最常见的痴呆类型，在2025年影响约720万65岁及以上美国人。额颞叶痴呆（FTD）虽然较为罕见，但它是早发性痴呆的第二大常见原因，常在40至60岁人群中发病。
尽管这两种疾病都会损害大脑，但作用机制截然不同。AD主要影响记忆和空间感知能力，而FTD则针对控制行为、个性和语言的脑区。由于症状存在重叠，常导致误诊。区分两者不仅是一项科学挑战，更是临床必需，因为准确诊断会深刻影响治疗方案、护理质量和患者生活。
磁共振成像（MRI）和正电子发射断层扫描（PET）对诊断AD有效，但成本高昂、耗时且需要专业设备。脑电图（EEG）通过传感器测量不同频段的脑活动，提供了一种便携、无创且经济的替代方案。然而，信号通常存在噪声且个体差异大，分析难度高。即使应用机器学习处理EEG数据，结果仍不一致，区分AD与FTD依然困难。
为解决此问题，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开发了一种深度学习模型，用于检测和评估AD与FTD。该模型通过分析与每种疾病相关的频率和时域脑活动模式，提升了EEG的准确性和可解释性。
发表在《生物医学信号处理与控制》（Biomedical Signal Processing and Control）期刊上的研究结果表明，慢速delta脑波是AD和FTD的重要生物标志物，主要集中在脑部额叶和中央区域。在AD中，脑活动受损范围更广，还影响其他脑区及beta等频段，表明脑损伤更严重。这些差异解释了为何AD通常比FTD更容易检测。
该模型在区分痴呆患者（AD或FTD）与认知正常参与者时准确率超过90%。同时，它预测疾病严重程度的相对误差在AD中低于35%，在FTD中低至15.5%。
由于AD和FTD症状与脑活动相似，区分二者曾十分困难。研究人员通过特征选择，将模型特异性（识别非患者的能力）从26%提升至65%。其两阶段设计——先检测健康个体，再区分AD与FTD——实现了84%的准确率，跻身当前最佳EEG诊断方法之列。
该模型融合卷积神经网络和基于注意力的长短期记忆网络（LSTMs），从EEG数据中检测痴呆类型和严重程度。梯度加权类激活映射（Grad-CAM）技术显示哪些脑信号影响了模型决策，帮助临床医生理解判断依据。这一方法提供了脑活动演变的新视角，揭示了驱动诊断的关键脑区和频段——传统工具极少能捕捉到这些信息。
“我们研究的创新之处在于利用深度学习从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端·沃（Tuan Vo）表示，“通过这种方式，我们能检测到原本易被忽视的、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图景。”
研究还发现，AD通常更严重，影响更广泛的脑区并导致认知评分更低，而FTD的影响则更集中于额叶和颞叶。这些见解与先前神经影像学研究一致，但通过展示EEG数据中的模式，为这一低成本、无创诊断工具增添了新维度。
“我们的发现表明，阿尔茨海默病更广泛地破坏脑活动，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，”共同作者、佛罗里达大西洋大学电气工程与计算机科学系副教授兼副系主任庄汉琪（Hanqi Zhuang）博士解释道，“这一差异解释了为何阿尔茨海默病通常更易检测。但我们的工作也证明，精心的特征选择能显著提升区分FTD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整合检测与严重程度评估，简化痴呆诊断流程，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，”工程与计算机科学学院院长斯特拉·巴塔拉马（Stella Batalama）博士表示，“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、个性化护理以及真正改善生命的干预措施打开了大门。”
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）博士和博士生奇龙·邦（Chiron Bang）。
更多信息：端·沃（Tuan Vo）等，《利用深度学习提取和解读脑电图特征以诊断阿尔茨海默病和额颞叶痴呆并预测严重程度》，《生物医学信号处理与控制》（2026）。DOI: 10.1016/j.bspc.2025.108667
由佛罗里达大西洋大学（Florida Atlantic University）提供
【全文结束】
