基于双Transformer交叉注意力网络和dPTE引导的EEG通道选择实现阿尔茨海默病高效检测

研究人员针对阿尔茨海默病(AD)和额颞叶痴呆(FTD)诊断中EEG通道冗余和特征融合不足的问题，开发了Dual-Transformer Cross-Attention Network(DTCA-Net)框架。通过定向相位传递熵(dPTE)筛选出F7/F8等6个关键EEG通道，融合dPTE与微分熵(DE)特征，在AD与对照组(CN)分类中取得84.9%的F1值。该研究为开发低成本、便携式EEG诊断设备提供了新思路。

　　

在全球老龄化加剧的背景下，阿尔茨海默病(AD)已成为威胁老年人健康的"沉默杀手"。世界卫生组织数据显示，AD在所有疾病致死原因中高居第六位，预计到205年患者数量将突破1.31亿。然而当前主流的诊断方法如磁共振成像(MRI)和正电子发射断层扫描(PET)不仅价格昂贵，而且通常只能在患者出现明显神经退行性病变后才能确诊，错过了早期干预的黄金窗口。这促使科学家们将目光转向更具性价比的脑电图(EEG)技术，但传统EEG分析需要19个电极通道，设备笨重且检测流程长达1小时，严重制约了临床普及。

为破解这一难题，Shyamal Y. Dharia团队在《Biomedical Journal》发表创新研究。他们另辟蹊径，从脑功能连接的角度切入，开发了名为DTCA-Net的双流深度学习框架。该研究最引人注目的突破在于：仅用6个EEG通道就实现了与全通道方案相当的诊断准确率，大大提升了检测效率。

研究团队运用了三个关键技术方法：首先采用定向相位传递熵(dPTE)分析从19个电极中筛选出信息流最活跃的6个通道(F7/F8/T3/T4/O1/O2)；其次设计双Transformer架构分别处理dPTE功能连接特征和微分熵(DE)频谱特征；最后通过多头部交叉注意力机制实现两类特征的深度融合。实验数据来自88名受试者(36名AD患者、23名FTD患者和29名健康对照)的静息态EEG记录。

dPTE引导的EEG通道选择

通过离散小波变换将EEG信号分解为delta(0.5-4Hz)到gamma(32-64Hz)五个频段，计算各通道间的定向信息传递。研究发现跨组一致性最高的连接集中在枕叶(O1→T4)和额颞区(F7→O2)，这些区域与AD病理特征高度吻合。

DTCA-Net架构创新

模型创新性地将dPTE特征作为查询向量(Q)，DE特征作为键值对(K/V)，通过8头注意力机制实现连接模式与频谱特征的动态对齐。这种设计使模型能同时捕捉异常神经振荡和功能网络重组两种病理特征。

性能验证

在AD与健康对照分类任务中，模型达到85.22%准确率和0.83的AUC值，显著优于单一特征模型(PTE-only为78.44% F1)。特别值得注意的是，仅用31.6%的原始通道数就超越了多数19通道方案的性能，证明通道选择的科学性。

这项研究的临床意义深远。首先，6通道方案使EEG检测时间有望从60分钟缩短至20分钟，大幅提升诊断可及性；其次，dPTE特征为理解AD患者脑网络异常提供了新视角，如研究发现theta频段信息流增强可能反映早期代偿机制；最后，提出的双流融合范式为其他神经精神疾病的EEG诊断提供了普适性框架。团队已公开代码以便临床转化，未来计划在更大队列和任务态EEG数据上验证方法的稳健性。

当然，研究也存在样本量有限等局限，但这项工作在精准医学与医疗资源优化配置间找到了巧妙平衡点，为开发下一代便携式痴呆筛查设备奠定了算法基础。随着人口老龄化持续加剧，这种高效、低成本的检测方案或将改写神经退行性疾病的早期诊断格局。