编辑推荐：
研究人员基于 EEG 相位同步构建脑网络和图卷积神经网络，识别阿尔茨海默病（AD），助力早期诊断。
## 基于 EEG 相位同步的阿尔茨海默病脑网络识别研究解读
在老龄化社会加速到来的今天，有一种疾病正悄然威胁着众多老年人的健康与生活，它就是阿尔茨海默病（Alzheimer’s disease，AD）。这是一种常见的神经退行性疾病，全球约有 5160 万人受其困扰，预计到 21 世纪中叶，这个数字将飙升至 1320 万 。AD 不仅让患者的认知功能逐渐衰退，生活无法自理，还给家庭和社会带来了沉重的经济负担，全球每年的治疗费用高达 1 万亿美元，且预计到 2030 年将增至 2 万亿美元。
目前，AD 的早期诊断面临诸多难题。在疾病早期，患者常表现为轻度认知障碍（mild cognitive impairment，MCI），症状与正常衰老相似，难以准确区分。现有的诊断方法，如神经心理测试、脑成像和脑脊液检查等，存在主观性强、价格昂贵等局限性，并不适用于大规模的早期筛查。而脑电图（Electroencephalogram，EEG）作为一种低成本、非侵入性的检测手段，能实时记录大脑内部活动，为 AD 的早期诊断提供了新的希望。
为了攻克 AD 早期诊断的难题，来自上海健康医学院医学影像学院、上海理工大学健康科学与工程学院以及上海杨浦精神卫生中心的研究人员 Jiayi Cao、Bin Li 和 Xiaoou Li 等开展了一项极具意义的研究。该研究成果发表在《BioMedical Engineering OnLine》杂志上。
研究人员采用了多种关键技术方法。首先，收集了来自上海杨浦精神卫生中心门诊的 16 名 AD 患者、20 名 MCI 患者和 21 名健康对照（healthy control，HC）者的静息态 EEG 数据。然后，对采集到的 EEG 数据进行预处理，提取 8 - 13Hz 的 α 波段数据。接着，利用相位滞后指数（phase lag index，PLI）和锁相值（phase - locked value，PLV）构建脑功能网络，并通过脑功能连接分析将其可视化。最后，将构建的 PLI 和 PLV 作为节点特征分别输入到图卷积神经网络（graph convolutional neural network，GCN）模型中进行训练和分类。
研究结果
- 可视化脑网络：通过 Matlab 将基于 PLI 和 PLV 构建的功能连接矩阵可视化，生成脑网络地图。结果显示，基于 PLI 的脑网络中，AD 组在顶叶和枕叶等特定脑区的脑连接性普遍较高；MCI 组在 O1 - P3 电极处功能连接较少且稀疏。基于 PLV 的脑网络中，HC 组在顶叶和枕叶等区域的脑连接性较高；在 FP2 - CZ 电极处，HC 组的功能连接更多且更密集12。
- 分类性能：使用 GCN 模型对 AD、MCI 和 HC 三组进行分类识别，结果表明，以 PLV 作为节点特征时，模型的分类准确率最高，达到 77.80%，高于选择原始 EEG 数据和 PLI 作为节点特征时的准确率。与其他机器学习模型相比，GCN 模型的分类准确率提高了 10% 以上34。
- 交叉验证模型评估：通过十折交叉验证对模型性能进行评估，发现 α 波段的平均分类准确率最高，达到 76.80%，证明 α 波段最适合区分静息状态下的 AD。此外，混淆矩阵评估结果显示，虽然样本中 AD、MCI 和 HC 受试者的比例不均衡，但模型多次运行的结果表现出色56。
研究结论与讨论
该研究表明，GCN 模型相比传统机器学习模型，能更有效地识别图结构，GCN - PLV 模型对 AD 患者的分类效果更好。基于 PLI 和 PLV 构建的脑网络图能够进一步捕捉 EEG 信号的局部特征以及脑区之间的内在功能关系，二者结合对 AD 患者的诊断具有一定的参考价值。同时，研究还发现 α 波段在区分 AD 方面具有优势。
然而，该研究也存在一些局限性。例如，样本量较小，仅收集了 57 例样本，未来需要扩大样本数据量，并增加对照实验以提高可信度。此外，研究中选择的 PLI/PLV 作为 AD 和 MCI 的区分标准，其普适性还需进一步验证。后续研究可以深入挖掘相位同步特征中的加权属性，并融入模型，以获得更具广泛适用性的结果。
尽管存在不足，但这项研究为 AD 的早期诊断开辟了新的道路。它创新性地将脑网络分析与 GCN 模型相结合，为 AD 的辅助诊断提供了新的方法和思路。随着研究的不断深入和完善，有望在临床实践中发挥重要作用，成为早期诊断 AD 的有力工具，为更多患者及其家庭带来希望。
