研究人员在厄勒布鲁大学（Örebro University）开发出两种强大的人工智能模型，能够通过分析大脑电活动精准检测痴呆症。这些模型可高准确率地区分健康个体与痴呆症患者，包括阿尔茨海默病患者。
“早期诊断对于采取延缓疾病进展并提升患者生活质量的主动措施至关重要，”厄勒布鲁大学信息学研究员穆罕默德·哈尼夫（Muhammad Hanif）表示。
在题为《基于脑电图的阿尔茨海默病与额颞叶痴呆可解释高效深度学习诊断框架》的首项研究中，团队整合了两种先进AI技术——时序卷积网络和LSTM网络。这些方法处理来自大脑的脑电图（EEG）信号，模型对阿尔茨海默病、额颞叶痴呆或健康状态的分类准确率超过80%。
该AI系统不仅精准且具备可解释性。它能显示大脑电信号中哪些部分辅助诊断决策，使医生更易信任和理解结果。
在第二项研究《基于混合融合EEGNetv4与联邦学习的隐私保护脑电图痴呆分类》中，研究人员创建了体积小、隐私保护性强且高效的AI模型。其体积不到1兆字节，采用联邦学习技术——允许医院和诊所协同训练AI而不共享患者隐私数据。即便增加隐私保护机制，模型准确率仍超97%。该研究发表于《计算神经科学前沿》期刊。
“传统机器学习模型常缺乏透明度且面临隐私挑战。我们的研究旨在解决这两大问题，”同时担任该校副教授的哈尼夫补充道。
这些模型通过分析大脑电活动模式运作。脑电图信号被分解为α、β、γ等不同频段，AI可识别与痴呆症相关的改变，包括长期信号偏移及各类痴呆症间的细微差异。
得益于可解释AI技术，模型不再如“黑箱”般运作，而是清晰展示决策依据，显著提升临床实用性。
研究团队认为，该技术有望催生快速、低成本且保障隐私的早期痴呆诊断工具。由于脑电图检测本身简便经济，这些AI工具可应用于常规诊所甚至家庭场景，其微型化设计足以在便携设备运行，将脑健康筛查推广至更多社区。
“若此类解决方案全面实施，将减轻患者、护理人员、家属及医疗专业人员的负担，”哈尼夫指出。
该研究由英国、澳大利亚、巴基斯坦和沙特阿拉伯的机构协作完成。后续步骤包括：在更多元化人群中测试AI、纳入血管性痴呆和路易体痴呆等新类型特征、在确保患者数据安全的前提下持续应用可解释AI技术。
【全文结束】
