利用可微逻辑门网络将临床阿尔茨海默病脑电图特征跨队列迁移至认知健康的APOE-ε4和PICALM rs3851179风险携带者

《Computers in Biology and Medicine》:Cross-cohort transfer of clinical Alzheimer’s EEG signatures to cognitively healthy APOE-ε4 and PICALM rs3851179 risk carriers using differentiable logic gate networks

【字体: 大 中 小 】 时间:2026年10月16日 来源:Computers in Biology and Medicine CS11.3

编辑推荐:

   • AD样脑电图特征评分将临床AD模式迁移至遗传风险队列 • 双APOE-ε4/PICALM携带者表现出最高的AD样评分 • 风险携带者中的Theta波段归属与临床AD的脑电地形图重叠 • Diff-Logic模型在7W单核CPU上的推理时间为0.22毫秒,占用空间仅132

  

• AD样脑电图特征评分将临床AD模式迁移至遗传风险队列
• 双APOE-ε4/PICALM携带者表现出最高的AD样评分
• 风险携带者中的Theta波段归属与临床AD的脑电地形图重叠
• Diff-Logic模型在7W单核CPU上的推理时间为0.22毫秒,占用空间仅132 KB

引言

阿尔茨海默病(AD)是最常见的痴呆类型,约占所有病例的三分之二。临床上,AD最常与情景记忆损伤相关,随后是认知衰退,影响语言、注意力和执行功能[23]。这些症状与神经退行性变密切相关,病变显著始于内侧颞叶结构,包括海马和海马区,这些结构是记忆形成的核心[30]。随着疾病进展,AD相关病理扩展至分布广泛的皮层区域,包括颞叶、顶叶、后扣带和楔前区,导致更广泛的认知障碍[48]。

尽管AD在临床上以进行性记忆损伤和认知衰退为特征,但遗传易感性可能在临床症状出现之前就影响了个体的风险[8]。在已知的遗传风险因素中,载脂蛋白E(APOE)基因是晚发型AD最一致报告的影响因素。APOE-ε4等位基因与AD易感性增加和淀粉样蛋白-β积累加速相关,而APOE-ε3通常被视为中性参考等位基因,APOE-ε2则常与保护性效应相关[8],[35]。除APOE外,磷脂酰肌醇结合网格蛋白装配蛋白(PICALM)基因的变异也被发现与AD相关机制有关,特别是通过涉及网格蛋白介导的内吞作用和淀粉样蛋白-β清除的途径[1],[49]。因此,同时携带APOE-ε4和PICALM-rs3851179 G风险等位基因的个体可能代表一个遗传上脆弱的亚组,其AD相关神经改变风险升高[28]。

为了确定这些遗传风险因素是否可能在可测量的认知衰退之前增加易感性,至关重要的是在认知健康个体中检测早期神经改变。这种检测可能有助于识别一个临床前窗口期,在此期间AD相关的脑部变化已经开始出现,但临床症状尚未显现。随着针对淀粉样蛋白-β的疾病修饰疗法(如lecanemab)在早期AD中显示出临床获益[44],这一窗口期变得越来越重要。这一窗口也凸显了对工具的需求,这些工具能够在大量神经退行性变发生之前识别出可能需要更密切监测的个体。在此背景下,脑电图(EEG)提供了一种有前景的无创且易获取的方法,用于研究早期功能性脑部改变。静息态脑电图特别适合此目的,因为AD相关神经退行性变已知会影响皮层振荡活动,包括在明显临床损害之前或同时出现的频谱功率变化[4],[7],[25]。因此,脑电图可能提供一条途径,用于考察同时具有APOE和PICALM风险的认知健康个体是否已经表现出向AD样脑特征偏移的细微电生理变化。

近年来,静息态脑电图被广泛与机器学习结合使用,以区分临床确诊的AD患者和认知正常(CN)对照[17],[21],[27],[38]。这些研究表明AD与可学习的电生理模式相关。然而,这种传统的诊断框架存在重要局限性。大多数现有模型在有症状的临床群体内进行训练和评估,其中AD相关的神经改变已经非常明显。相比之下,认知健康遗传风险个体的脑电图研究主要关注识别风险等位基因与频谱特征之间的组别关联[16],[20]。因此,目前尚不清楚为识别临床AD队列而训练的模型能否将其学到的表征迁移至独立的无症状遗传风险队列。这一空白促使我们建立一个跨队列框架,在该框架中,临床AD脑电图模式被用来不是为了诊断临床前个体,而是为了量化其脑电图特征与已建立的AD样模式相似的程度。

为了弥补这一空白,我们使用临床确诊AD患者和CN的静息态脑电图特征训练了一个机器学习模型,使模型能够学习与已建立AD相关的可区分频谱模式。训练好的模型随后被应用于一个独立的认知健康中年个体队列,该队列按APOE和PICALM状态分层。重要的是,该模型并非旨在对这些认知健康参与者诊断AD。相反,其输出概率被解释为一种连续度量,表示每位参与者的脑电图与从临床确诊AD患者所学到的模式接近的程度。

为了高效实现这一迁移框架,我们采用了可微分逻辑门网络(Diff-Logic),这是一类针对低成本低推理优化的硬件架构[10],[32],[33],[37]。与严重依赖浮点矩阵运算的传统神经网络不同,Diff-Logic模型通过可微分松弛在训练过程中学习离散布尔运算的组合,如AND、OR和XOR。训练完成后,所学网络可被离散化为紧凑的逐位逻辑电路进行推理。这使得Diff-Logic特别适用于便携式脑电图应用,在这些应用中低内存使用和快速执行非常重要。推动设备端推理的动机并非云计算不可用,而是脑电图属于可识别的健康数据[6],筛查环境可能连接性有限,且本地执行确保了不依赖网络条件的延迟。在AD风险分层的背景下,此类架构使所提出的AD样脑电图特征评分能够在资源受限的设备(如诊室使用的便携式脑电图设备)上高效计算。总体而言,本研究的主要贡献如下:

• 我们提出了一种跨队列脑电图迁移框架,将临床AD频谱特征映射到遗传风险队列中,作为连续的AD样脑电图特征评分。
• 我们报告了一种探索性关联,即双APOE-ε4/PICALM风险携带者表现出最高的AD样脑电图特征评分。
• 我们证明了Diff-Logic在AD分类中匹配了神经基线的性能,同时实现了边缘推理,在7W单核CPU上占用132.0 KB内存,模型推理延迟为0.22毫秒。

阿尔茨海默病的临床前脑电图特征

越来越多的研究表明,AD相关的电生理改变可能在明显临床损害之前出现。在按APOE和PICALM风险分层的认知健康中年成人中,我们之前的工作[16]表明,机器学习能够识别传统单变量统计假设检验中不明显的相关Theta波段特征。这表明早期的遗传风险效应可能是空间上局部的且幅度较弱的,使得它们

数据集

我们采用了两个独立的闭眼静息态脑电图数据集。临床数据集[27]提供了来自AD、额颞叶痴呆(FTD)和CN参与者的临床标签记录。PEARL-Neuro数据集[19],下文称为遗传风险队列,提供了来自按AD遗传风险分层的认知健康中年成人的临床前记录。基线模型和Diff-Logic分类器仅在临床数据集上进行训练,然后

临床分类性能

用于CN与AD分类的Diff-Logic模型,在受试者分层交叉验证下,达到了0.809±0.028的平衡准确率和0.845±0.023的AUROC(表4)。这一性能与标准浮点神经基线相当,包括MLP、1D-Conv和Transformer模型,表明Diff-Logic能够以与传统深度学习架构相似的预测能力捕捉AD相关的频谱改变。

零样本遗传风险迁移

在临床之后

双风险携带者中微弱的AD样特征

本研究表明,从临床确诊AD中学到的频谱特征可以在不重新训练的情况下应用于独立的临床前遗传风险队列。这很重要,因为两个队列在招募环境、采集硬件、脑电导联、年龄和国籍(临床队列为希腊人,遗传风险队列为波兰人)方面存在差异,且遗传风险队列平均比临床AD/CN队列年轻约11年(表1)。因此,该

结论

本研究证明,临床训练的AD样脑电图特征可以在不重新训练的情况下迁移至认知健康的中年遗传风险队列。双A+P+风险携带者显示出名义上高于A+P-和N组参与者的AD样特征评分,但没有任何对比通过Holm校正。因此,该关联是探索性的,需要在更大且纵向的队列中进行确认。Diff-Logic在临床准确率上匹配了传统神经基线

作者贡献声明

Shyamal Y. Dharia:撰写初稿、可视化、验证、软件、方法论、正式分析、数据整理、概念设计。
Camilo E. Valderrama:撰写审阅与编辑、监督、资源、项目管理、资金获取、概念设计。
Stephen D. Smith:撰写审阅与编辑、监督、资源、项目管理、资金获取、概念设计。

伦理声明

本研究涉及对来自OpenNeuro仓库的现有公开数据集的二次分析。没有招募新参与者,没有收集新数据,作者无法访问能够直接识别个别参与者身份的信息。对该数据集进行二次分析的伦理批准已获得温尼伯大学人类研究伦理委员会(伦理方案HE27579)的批准。

临床脑电图数据集最初收集于

利益冲突声明

作者声明,他们没有已知的竞争经济利益或个人关系可能影响本文所报告的工作。

致谢

本研究获得了加拿大自然科学和工程研究理事会(NSERC)通过发现补助金RGPIN-2023-03443和RGPIN-2024-05575提供的财政支持,以及马尼托巴医疗服务基金会通过补助金2026-04提供的支持。

Shyamal Y. Dharia | Camilo E. Valderrama | Stephen D. Smith
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号