《Neuroscience Informatics》：EEG-Centred Computational Biomarkers and Complementary Physiological Signals for Mild Cognitive Impairment and Early Alzheimer’s Disease: A Systematic Review 2005–2025
编辑推荐：
背景：脑电图(EEG)为评估轻度认知障碍(MCI)与早期阿尔茨海默病(AD)提供便携方案，睡眠与自主神经信号可提供互补生理信息，但这些计算生物标志物的验证质量仍不确定。目的：系统评价以EEG为中心、面向MCI与早期AD的证据基础中的信号处理思路、候选生物标志物
背景：脑电图(EEG)为评估轻度认知障碍(MCI)与早期阿尔茨海默病(AD)提供便携方案，睡眠与自主神经信号可提供互补生理信息，但这些计算生物标志物的验证质量仍不确定。目的：系统评价以EEG为中心、面向MCI与早期AD的证据基础中的信号处理思路、候选生物标志物、计算模型及偏倚风险，并把多导睡眠图衍生的睡眠架构与自主神经等互补生理研究作为次要证据。方法：研究人员遵循PRISMA 2020指南，系统纳入118项研究(2005–2025)，含113项直接EEG研究、2项多导睡眠图(PSG)睡眠架构研究、3项互补非EEG研究，并采用受PROBAST启发的框架评价偏倚风险。结果：反复出现的EEG发现包括频谱减慢、信号复杂性下降、事件相关电位改变与功能连接受损；120行性能数据中报告准确率中位数为93.41%，高于95%者常见；按不同样本量阈值，高偏倚总体风险占38.1%–69.5%，剔除样本量域后为22.0%；22项存在高数据泄漏风险，仅1项报告外部验证，纵向证据有限(9项，无时间-事件模型)。结论：以EEG为中心的文献呈现性能悖论，即高报告准确率与数据泄漏担忧、外部验证不足和纵向证据匮乏并存。未来研究应采用针对设计样本量规划、严格受试者级分离、外部验证与纵向结局建模，以建立临床可靠的计算生物标志物。
研究背景方面，痴呆是进行性神经退行综合征，全球患者超过5700万，阿尔茨海默病(AD)占多数，且在临床痴呆出现前多年即存在病理与神经生理改变。轻度认知障碍(MCI)，尤其是遗忘型MCI，是识别AD高风险人群的重要阶段。磁共振成像(MRI)与正电子发射断层扫描(PET)虽重要，但成本高、依赖基础设施，不适合重复或人群级评估。脑电图(EEG)具有便携、相对低成本、无创优势，因此研究人员以EEG为中心，将PSG衍生睡眠架构及自主神经、运动、呼吸指标作为互补生理异常指示。已有综述证实EEG存在频谱减慢、复杂性降低、事件相关电位(ERP)改变与功能连接破坏，但文献在队列组成、诊断标准、采集、预处理、特征、分类任务与验证策略上差异巨大，小样本、受试者级分离不足、数据泄漏与仅内部验证会造成乐观偏倚；同时多数研究做横断面分组判别，少数学MCI向AD进展或预测未来临床结局，因此高准确率不能脱离方法学有效性来解释。
该研究发表在《Neuroscience Informatics》。研究人员为回答上述缺口，按PRISMA 2020开展系统综述，最终纳入118项2005–2025年研究，其中113项直接EEG、2项PSG睡眠架构、3项互补非EEG；采用受预测模型偏倚风险评估工具(PROBAST)启发的五域框架评价样本量充分性、验证策略、类别不平衡处理、数据泄漏与参考标准清晰度，并把准确率、灵敏度、特异度、AUC等作为提取指标，因研究异质性过大而未做形式荟萃分析，只做叙述性与描述性综合。
关键技术方法上，研究人员在PubMed、Scopus、IEEE Xplore以早期认知障碍、生理信号模态与计算建模三组概念检索，经去重、题摘与全文筛选纳入文献；用结构化表提取模态、特征、模型、验证与性能指标；偏倚评价采用PROBAST式五域评级为低、高、不清楚，并以30、50、75、100名参与者作操作敏感性阈值，因为预测模型指南与EEG方法学都推荐按患病率、参数数、预期性能与过拟合风险做设计特异性计算，而纳入研究很少提供重算所需信息；样本来自已发表队列，文中举例含890、1187、1754与8044名参与者等异质队列，但大多数研究少于100人。
研究结果部分，研究特征显示样本量高度右偏，约60%研究少于100人，18.6%少于30人，仅7%超过500人，文献由中小样本主导，对泛化与过拟合有影响；直接EEG占113/118，PSG睡眠与互补非EEG为次要证据。数据采集与预处理常用10–20或10–10系统、128–1024 Hz采样、静息态闭眼或P300等任务，预处理含带通与陷波滤波及独立成分分析或伪迹子空间重建；范围敏感性分析剔除3项非EEG后中位数准确率93.44%，高泄漏与外部验证计数不变，说明主要模式不受互补证据影响。特征提取与选择分为时频与统计、非线性复杂性、功能连接与图论、ERP、睡眠特征；谱特征最常用，非线性捕捉复杂性，功能连接与图论刻画大尺度网络，特征选择用统计过滤、递归特征消除与PCA，紧凑电极配置也可具竞争力。
生理生物标志物方面，线性频谱显示MCI与AD中delta与theta功率增加、后部alpha与beta功率下降，峰值α频率(PAF)从健康成人约10 Hz降至MCI约9–9.5 Hz、AD约8–9 Hz，theta/alpha与theta/beta等比值可汇总改变。非线性与复杂性测度中，近似熵、样本熵、模糊熵、多尺度熵及分形维数、Lempel–Ziv复杂性常显示MCI复杂性下降、AD进一步下降，传递熵与非线性同步补充方向性与网络动态。网络级连接与图拓扑显示长程额—后耦合减少，PLI、wPLI、相干性可区分组间；图论上全局效率、聚类系数下降，路径长度增加，最小生成树与可见图提示网络碎片化与枢纽重组，纵向看网络密度下降与拓扑偏离和MCI转AD相关。ERP中P200、N200振幅下降或潜伏期改变，P300(P3b)潜伏期延长、振幅降低，N400/P600语义与句法处理衰减；部分研究用静息态P3b源特征或工作记忆任务区分稳定MCI与转化者。睡眠衍生生物标志物中N1/N2增加、N3慢波睡眠与纺锤体密度下降、REM缩短，与大样本PSG中总睡眠时间减少、记忆巩固受损及淀粉样蛋白负荷相关，半监督睡眠特征对AD约90%准确率，列线图对遗忘型MCI(aMCI)训练AUC 0.968、验证AUC 0.953。
计算建模部分，方法演进为统计与传统信号处理、经典机器学习、再到深度学习与图、可解释模型并存。传统机器学习用手工谱功率、熵、Hjorth参数与连接特征配SVM、RF、kNN，小样本可解释性强；深度学习用CNN、RNN、注意力直接从原始信号、时频图与连接矩阵学表征，大样本潜力高但可解释性低；混合方法用深度网络提特征、经典分类器决策。性能模式中120行任务级数据全有准确率，AUC仅19行；深度学习中位95.04%，经典ML中位92.00%，统计中位93.06%，但差异混杂队列、任务、验证与报告实践，不能单凭架构下结论。任务级HC对MCI中位92.05%，三类HC–MCI–AD中位93.40%，MCI对AD中位90.00%且变异最大，说明相邻临床阶段生理与认知接近、区分更难。样本量探索中HC–MCI准确率随log样本量呈弱负向，反映小研究易过拟合、大队列异质性更高。可解释与临床转化上，SHAP与注意力可视化补深模解释，但经典ML在透明特征权重上仍占优。分类对预后预测上，118项中仅9项有进展相关分析，多为基线EEG预测后续结局或稳定与转化MCI比较，无时间-事件模型，说明横断面高准确率不等于前瞻早检能力。
讨论与结论翻译为：以EEG为中心的文献呈现性能悖论：高报告准确率与数据泄漏担忧、有限外部验证及少量纵向证据共存。未来研究应采用设计特异性样本量规划、严格受试者级分离、外部验证与纵向结局建模，以建立临床可靠的计算生物标志物。
