编辑推荐：
随着全球老龄化加剧，阿尔茨海默病（AD）患者增多，早期诊断意义重大。研究人员利用随机森林分类（RFC）对脑电图（EEG）特征进行研究。结果显示，EEG 的 theta 功率和颞叶活动的半球间相关性可有效区分 AD 患者和健康对照。该研究为 AD 诊断提供新思路。
在全球老龄化的浪潮中，老年人口数量急剧增长。据估计，到 2050 年，65 岁及以上的人口将超过 16 亿。这本是社会经济和医学进步的体现，然而，随之而来的是年龄相关的神经退行性疾病的增加，其中阿尔茨海默病（Alzheimer’s Disease，AD）尤为突出。AD 作为最常见的痴呆类型，占据了痴呆病例的 70%，主要由淀粉样蛋白 β（Aβ）和 tau 蛋白的异常积累引发。由于 AD 主要发生在 65 岁以上人群，早期干预对保障健康老龄化至关重要。世界卫生组织也将痴呆问题列为全球健康议程重点，强调改善早期诊断的重要性。
目前，AD 的诊断方法众多，包括基于症状的评估、血液检测和神经影像学检查等。但这些方法存在一定局限性，例如部分方法有创、昂贵，或者对早期诊断的准确性不够高。脑电图（Electroencephalography，EEG）作为一种非侵入性、相对廉价且具有高时间分辨率的检测手段，在 AD 诊断方面展现出了潜力。已有研究表明，AD 患者的 EEG 存在多种异常，如 α 功率衰减、θ 功率升高、皮质区域间相干性降低等。基于此，研究人员尝试利用机器学习和深度学习方法对 AD 和健康对照（Healthy Control，HC）进行分类，但许多算法的黑箱性质限制了其在临床中的应用，难以明确关键诊断特征。
为了解决这些问题，来自国外（佛罗里达州立大学等相关研究人员）的研究团队开展了一项旨在探究 EEG 特征在区分 AD 患者和 HC 中的关键作用的研究。他们运用随机森林分类（Random Forest Classification，RFC）模型对 EEG 特征进行分析，最终发现 EEG 的 θ 功率和颞叶活动的半球间相关性在区分 AD 患者和 HC 方面具有重要价值，为 AD 的诊断提供了新的方向。该研究成果发表在《Computers in Biology and Medicine》杂志上。
在研究方法上，研究人员使用了公开的数据集，该数据集包含 22 名 HC 和 160 名 AD 患者的静息状态 EEG 数据。数据采集自 21 个头皮电极，按照国际 10 - 20 系统放置。研究主要采用了以下关键技术：一是利用 Welch 周期图计算 EEG 时间序列数据的频带功率（包括 delta（1 - 4Hz）、theta（4 - 8Hz）、alpha（8 - 12Hz）和 beta（12 - 30Hz）），并通过 Pearson 相关计算不同通道对的互相关性；二是使用 Welch t 检验识别 AD 和 HC 之间具有显著差异的特征；三是运用 RFC 对不同数据集（频带功率、互相关性和 θ 带滤波互相关性数据集）进行分类，并通过 5 折交叉验证评估模型性能，同时进行超参数调优以确定重要特征。
在研究结果方面：
- 频带功率数据集：通过 Welch t 检验分析发现，AD 患者在所有区域的 θ 功率（4 - 8Hz）显著高于 HC，且在调整错误发现率（False Discovery Rate，FDR）后仍具有统计学意义。在枕叶区域，HC 在闭眼（Eyes Closed，EC）条件下的 α 功率高于睁眼（Eyes Open，EO）条件，而 AD 患者在两种条件下 α 功率无显著差异。RFC 分析显示，在 512 个模型中，有 6 个模型在测试集上的准确率、召回率和曲线下面积（Area Under the Curve，AUC）均达到 100%。在 8 个特征类别中，θ 相对功率的平均出现次数（1.2324）和提名率（41.08%）最高，表明其在区分 AD 和 HC 中贡献显著。
- 互相关性数据集：对互相关性热图的检查发现，HC 和 AD 患者在额叶和颞叶通道存在可区分模式。AD 患者颞叶通道的长程互相关系数小于 HC。RFC 分析表明，“包括颞叶通道的半球间互相关性” 是区分 AD 和 HC 的最重要特征，其平均出现次数（1.8301）和提名率（61.00%）最高。进一步分析发现，颞叶半球间连接在分类中的作用比颞叶半球内连接更突出。
- θ 带滤波互相关性：RFC 应用于 θ 带滤波互相关性数据集时，有 77 个模型在测试集上的准确率、召回率和 AUC 均达到 1.0，表现优于基于频带功率和互相关性数据集的 RFC 模型。其中，仅使用 6 个交叉相关特征（3 个额叶对和 3 个颞叶对，4 个为半球间特征）训练的 51 个模型也达到了完美准确率，“T3 - T4” 在这 6 个特征中特征重要性最高。
在研究结论和讨论部分，研究人员通过可解释的高性能机器学习模型，证明了生物学相关的 EEG 特征，特别是 θ 带半球间互相关性，在 AD 诊断中的重要性。该研究结果与以往研究中 AD 患者的 EEG 变化一致，如 θ 功率增加、α 功率衰减、颞叶功能异常以及半球间连接减少等。然而，研究也存在一些局限性，如数据集相对较小、缺乏外部验证、存在类不平衡问题，且基于平均杂质减少的特征重要性评估可能存在问题。尽管如此，该研究为探索利用 EEG 数据对 AD 和 HC 进行分类的重要特征提供了框架，该框架可应用于其他精神或神经退行性疾病的研究。未来研究可进一步关注 AD 的早期生物标志物发现，以及将该方法应用于额颞叶痴呆等疾病的研究，有望推动 EEG 在 AD 早期诊断中的临床应用，为患者带来新的希望。
