《Frontiers in Neurology》：EEGDecoder-x: an explainable deep learning framework for cross-subject EEG-based detection of Alzheimer's and Creutzfeldt–Jakob disease
编辑推荐：
摘要：神经退行性疾病的早期检测至关重要。区分早期克雅氏病（CJD）与阿尔茨海默病（AD）等“模仿者”仍是一个主要挑战；虽然脑电图（EEG）在晚期CJD中具有价值，但早期异常往往是非特异性的，并与其他快速进展性痴呆重叠。深度学习提供了有前景的基于EEG的诊断解决
摘要：神经退行性疾病的早期检测至关重要。区分早期克雅氏病（CJD）与阿尔茨海默病（AD）等“模仿者”仍是一个主要挑战；虽然脑电图（EEG）在晚期CJD中具有价值，但早期异常往往是非特异性的，并与其他快速进展性痴呆重叠。深度学习提供了有前景的基于EEG的诊断解决方案，但临床采用需要透明的决策制定，深度学习模型学习到的特征的可解释性同样重要。在此背景下，精心的模型设计和可解释性至关重要。在本文中，研究人员提出了一种新颖的可解释框架EEGDecoder-x，用于解码来自阿尔茨海默病（AD）、克雅氏病（CJD）和健康对照（CNTRL）受试者的EEG信号，同时提供对模型学习特征的洞察。EEGDecoder-x框架包含两个主要组件：一个用于疾病解码的混合注意力网络（EEGDecoder-Net）和一个可解释性模块（EEGDecoder-XAI）。EEGDecoder-Net结合了卷积神经网络（CNN）与双注意力机制，后接分类层，能够实现高效的时空特征提取。EEGDecoder-XAI提供了网络学习过程在时空维度上的全面局部和全局解释。研究人员使用留一被试（Leave-One-Subject-Out, LOSO）评估范式验证了所提出的框架，在包含36名受试者（12名AD、12名CJD、12名健康对照）的数据集上达到了97.22%的分类准确率，并优于基线模型，证明了EEGDecoder-x的有效性和可解释性。
### 论文解读：EEGDecoder-x——用于阿尔茨海默病和克雅氏病跨被试脑电图分类的可解释深度学习框架
**研究背景与问题**
神经退行性疾病（neurodegenerative diseases）的早期检测对延缓疾病进程和改善患者预后至关重要。阿尔茨海默病（Alzheimer's disease, AD）是痴呆最常见的原因，而克雅氏病（Creutzfeldt–Jakob disease, CJD）是一种罕见但快速进展的致命性疾病。尽管两者病理机制不同，早期症状有时重叠，尤其在CJD早期，其脑电图（electroencephalography, EEG）异常常为非特异性，与其他快速进展性痴呆（如AD）难以区分。传统诊断依赖神经影像和脑脊液生物标志物，但费用高、有创、难以大规模筛查。EEG因其非侵入性、低成本和高时间分辨率成为有前景的替代工具，但临床EEG常受噪声、运动伪迹等干扰，且现有深度学习模型多为“黑箱”，缺乏可解释性，限制了临床采纳。此外，许多研究采用试次级交叉验证导致数据泄露，泛化能力不足。因此，需要一种兼顾鲁棒性、跨被试泛化能力和可解释性的EEG分析框架。
**研究内容与结论**
针对上述问题，研究人员提出了EEGDecoder-x框架，包含EEGDecoder-Net（混合注意力网络）和EEGDecoder-XAI（可解释性模块）。在包含36名受试者（12名AD、12名CJD、12名健康对照）的临床数据集上，采用留一被试（Leave-One-Subject-Out, LOSO）评估范式，框架达到97.22%的分类准确率，优于EEGNet、Deep ConvNet、TCN、CTNet和EEGConformer等基线模型。消融实验证实了各组件（输入注意力、CNN特征提取、特征注意力、Transformer编码器）的贡献，其中完整模型在参数效率和性能间取得最佳平衡。可解释性分析显示，梯度法和遮挡法在AD和CJD类中一致性高（Spearman中位相关系数约0.59），突出额叶和枕叶区域，与已知神经生理特征一致；健康对照（CNTRL）的一致性较低，反映其正常EEG模式更分散。该研究表明，EEGDecoder-x不仅提供高精度分类，还能提供生理学上有意义的时空解释，推动可信任AI在神经退行性疾病诊断中的应用。论文发表在《Frontiers in Neurology》。
**主要关键技术方法**
研究人员使用19通道EEG（10-20国际系统），采样率256 Hz，带通滤波1.6–40 Hz，50 Hz陷波滤波。数据来源于意大利雷焦卡拉布里亚大都市医院神经科，由专家根据国际标准诊断。预处理包括独立成分分析（ICA）去除伪迹，分割为5秒非重叠试次，每名受试者提取40个干净试次（除一名CJD仅17个试次）。模型EEGDecoder-Net采用通道注意力（squeeze-and-excitation机制）、两个1D卷积块（核大小25和15，池化4）、特征注意力、单层单头Transformer编码器，最后全局平均池化和全连接层分类。可解释性EEGDecoder-XAI结合梯度法（计算输出对输入的梯度）和遮挡法（滑动窗口置零测量预测变化），提供局部（单试次时空重要性图）和全局（集合后头皮地形图）解释。
**研究结果**
**4.1 模型性能结果**：通过LOSO评估，EEGDecoder-Net在36名受试者上达到平均准确率97.22%、精确率97.16%、召回率97.07%、F1分数97.01%、Cohen Kappa 95.55%，均优于EEGNet（94.00%）、EEGConformer（94.70%）、Deep ConvNet（93.29%）、CTNet（94.07%）、TCN（93.36%）。Friedman检验显示模型间差异显著（χ2=23.49, p=2.72×10
?4），Wilcoxon检验表明EEGDecoder-Net显著优于Deep ConvNet和CTNet（p=0.0115）。混淆矩阵显示各分类中假阳性/假阴性率低。t-SNE可视化显示从输入层到最终层特征分离性逐渐增强。
**4.1.1 消融研究**：移除输入注意力（A2）使准确率降至96.10%，移除特征注意力（A3）降至95.90%，移除Transformer（A4）降至91.45%，移除CNN（A5）降至89.60%，仅保留CNN（A6）为90.35%，仅保留Transformer（A7）为88.60%，无注意力但含CNN+Transformer（A8）为94.55%。完整模型（375.5K参数）达97.22%，而增加Transformer层数（A1，655.8K参数）仅略提至97.30%，表明组件协同作用关键。
**4.2 可解释性结果**：局部解释（图7）展示AD、CJD、CNTRL单试次时空重要性图，梯度法和遮挡法均突出AD患者约1秒和3-4秒时刻的额叶（F4、F8）和枕叶（O2）通道，CJD患者突出额叶和部分颞叶区域，CNTRL模式较分散。全局解释（图8）聚合后头皮地形图显示AD中额叶、枕叶一致性高，CJD额叶一致性高，CNTRL一致性低。解释一致性分析（图9）表明，AD和CJD类中梯度法与遮挡法的Spearman中位相关系数分别为0.588和0.589（p<10
?20），显著高于CNTRL的0.310（p<10
?20），Kruskal-Wallis检验组间差异显著（H=113.495, p=2.26×10
?25），CNTRL与AD、CJD差异显著（p<0.001），AD与CJD无显著差异（p=0.162），说明两种方法在病理类中识别出高度一致的疾病相关通道，而CNTRL模式更异质。
**讨论与结论**
讨论部分指出，EEGDecoder-x在CJD患者EEG仅表现为弥漫性背景慢波（无周期性尖波复合波，PSWC）时仍能准确分类，表明其捕捉了早期非特异性微改变，而非晚期典型特征。可解释性分析中额叶和枕叶的突出与AD的后部皮质功能障碍和CJD的弥漫性皮质功能障碍一致，支持模型学习了神经生理学相关特征。解释一致性分析确认了方法的可靠性，降低了“聪明汉斯效应”风险。结论部分翻译：研究结果表明，由可解释深度学习驱动的定量EEG分析可以提供一种非侵入性、成本效益高且高度准确的替代方案，替代更具侵入性的生物标志物。模型解释与AD和CJD已知神经生理特征的一致性为所提出框架的临床相关性提供了有力证据。EEGDecoder-x不仅能实现高分类性能，还能提供可解释且生理学上有意义的洞察，这代表了向神经退行性疾病分析中可信任AI迈出的重要一步。尽管当前研究受限于36名受试者的样本量，但LOSO验证的稳健性表明其临床转化潜力高。未来工作将扩展到其他快速进展性痴呆和自身免疫性脑病，进一步优化EEGDecoder-x作为现实临床环境中决策支持工具的实用性。
