探索可解释深度学习在脑电图认知衰退预测中的应用潜力
亮点
- •我们的模型在轻度认知障碍分类任务中取得了最先进的成果
- •我们的模型在预测临床前阶段认知衰退过程中展现出显著学习进展
- •首次成功利用深度学习模型对健康受试者进行分类（基于认知评分），尽管大脑变化细微且难以察觉
- •训练完成的深度学习注意力模型解释提供了与现有脑科学研究高度一致的宝贵见解
摘要
目标
早期检测阿尔茨海默病（AD）对于实施有效治疗和防止神经元损伤至关重要。然而，当前诊断技术通常具有侵入性且成本高昂。本研究致力于开发一种经济高效且非侵入性的方法，用于早期认知衰退的检测。
方法
利用公开可用的静息状态脑电图（EEG）数据集（包含健康对照组和轻度认知障碍患者数据），我们开发并评估了两种具有自注意力机制的新型深度学习（DL）算法，用于预测轻度认知障碍和认知衰退。
结果
两种提出的深度学习算法在预测轻度认知障碍方面均优于传统卷积神经网络（CNN）模型，测试准确率分别提升8.5%和10%，同时使用了显著更少的可训练参数。消融研究证实注意力层是关键特征，可将模型准确率提高8.5%。对注意力层的分析表明，beta频段频率（13-30 Hz）对区分轻度认知障碍患者与健康受试者至关重要，突显了高频率脑电信号在早期认知缺陷中的重要作用。预测健康受试者临床前阶段的认知衰退比预测已确诊的轻度认知障碍更具挑战性，但通过迁移学习方法，我们实现了56.08%的测试准确率。
结论
我们的模型在轻度认知障碍分类任务中取得了最先进的成果，并在预测临床前阶段认知衰退方面展现出学习进展。作为首次评估深度学习模型基于认知评分对健康受试者进行分类的研究（此时大脑变化微小且难以检测），本研究为发现阿尔茨海默病早期诊断的生物标志物和促进早期干预开辟了新途径。对训练完成的深度学习注意力模型的解释提供了与现有脑科学研究高度一致的宝贵见解，成为验证医疗保健应用中人工智能可靠性的有力工具。
关键词
脑电图（EEG）、阿尔茨海默病、认知衰退、深度学习、自注意力、可解释性
【全文结束】
