《Frontiers in Psychiatry》：Electroencephalography for early Alzheimer’s disease diagnosis: from advanced feature engineering to interpretable ai and clinical translation
编辑推荐：
摘要目标：本综述旨在全面回顾利用脑电图（EEG）进行早期阿尔茨海默病（AD）诊断的方法学进展，并解决传统诊断工具的局限性。方法：研究人员对当前研究进行了全面分析，涵盖了从信号采集与预处理到特征提取（包括时频与脑网络指标）的完整EEG分析流程，以及机器学习与深度
摘要目标：本综述旨在全面回顾利用脑电图（EEG）进行早期阿尔茨海默病（AD）诊断的方法学进展，并解决传统诊断工具的局限性。方法：研究人员对当前研究进行了全面分析，涵盖了从信号采集与预处理到特征提取（包括时频与脑网络指标）的完整EEG分析流程，以及机器学习与深度学习算法的应用。结果：特征性EEG改变（如频谱减慢和信号复杂性降低）与早期AD相关。高级特征提取结合智能算法显著提升了诊断性能，部分研究报告分类准确率超过95%。EEG与多模态数据（如磁共振成像（MRI）、遗传标记）的整合进一步增强了诊断稳健性。结论：EEG是一种有前景、无创且成本效益高的早期AD检测工具，适用于适当的临床和研究环境。高级信号处理与智能算法的整合可显著提高诊断精度，但临床转化需要标准化方案以及在更大、多样化队列中的验证。意义：本研究强调了EEG在促进可获取的早期AD筛查方面的潜力，这对及时干预至关重要，并可能有助于减轻该疾病未来的社会经济负担。亮点：深入分析了EEG信号改变作为AD病理学早期功能性生物标志物的作用；利用高级特征提取和机器学习/深度学习提高诊断准确性；讨论了多模态数据整合，并强调了临床转化的关键挑战，包括标准化和验证方面的不足。
1 引言
阿尔茨海默病（AD）是一种以认知衰退和记忆障碍为特征的进行性神经退行性疾病，对全球公共卫生构成日益严峻的挑战。随着全球老龄化人口迅速增加，AD的发病率和患病率相应激增，给社会、经济和医疗保健系统带来沉重负担。例如，仅在美国，2021年估计有620万65岁及以上老年人患有阿尔茨海默病痴呆，若无有效干预，这一数字到2060年预计将翻一番以上。这一趋势在全球范围内均有体现，包括中国，最近的《中国阿尔茨海默病报告2025》强调AD的发病率、患病率和死亡率不断上升，并给家庭和医疗系统带来显著经济负担。该疾病不仅影响患者，还对照顾者造成巨大压力，他们提供大量无偿护理时间，往往以自身身心健康为代价。此外，不同种族和民族群体在诊断和护理可及性方面存在差异，加剧了健康不平等，凸显了公平医疗策略的必要性。尽管尚未发现治愈性疗法，但越来越多证据表明早期干预可有效减缓疾病进展。传统诊断方法，包括认知症状的临床评估、神经心理学测试以及磁共振成像（MRI）和正电子发射断层扫描（PET）等影像学手段，仍存在一定局限性。β-淀粉样蛋白（Aβ）斑块和tau神经原纤维缠结（NFTs）——阿尔茨海默病的关键生物标志物——的检测依赖于脑脊液（CSF）分析或神经影像学。然而，这些方法的侵入性、高成本和有限可及性阻碍了其在临床中的广泛应用。此外，这些方法通常对临床前或前驱期AD缺乏敏感性，因为神经病理学改变在明显认知衰退前数年就已出现。AD发病机制的异质性，涉及神经炎症、血管因素和遗传易感性，进一步使早期检测复杂化。因此，迫切需要开发无创、成本效益高且可靠的诊断方法，以在最早阶段识别AD，从而及时进行干预并可能减缓疾病进展。当前研究越来越聚焦于来自外周体液的生物标志物、先进神经影像技术和计算算法，以克服这些局限性。凭借其无创性、高时间分辨率和便携性等优势，脑电图（EEG）已成为一种有前景的神经生理学工具，用于监测脑功能，并在AD早期诊断中具有显著潜力，使其适用于临床和社区的大规模筛查。一项关于门诊神经检查费用的调查显示，EEG的成本比MRI低六倍以上。与结构影像学不同，EEG直接测量神经元电活动，提供与AD病理学相关的脑功能改变的实时信息。研究表明，AD患者存在特征性EEG改变，如优势频率减慢、复杂性降低和连接模式改变，这些改变可能先于临床症状出现。此外，应用于EEG数据的高级信号处理和机器学习技术通过有效区分AD、轻度认知障碍（MCI）和健康衰老，提高了AD检测的特异性。这些进展强调了EEG作为早期AD诊断的可及且高效生物标志物的潜力，补充了现有影像学和分子方法。然而，在标准化EEG采集方案、特征提取和解释方面仍存在挑战，以确保可重复性和临床适用性。持续研究将EEG与其他诊断方法整合并利用智能算法，对于充分实现其在AD中的诊断潜力至关重要。鉴于早期检测的关键需求以及EEG的独特优势，本综述旨在全面分析基于脑电活动的早期阿尔茨海默病诊断的当前方法学。研究人员聚焦于EEG信号处理、特征提取技术的最新进展，以及混合优化和机器学习等智能算法在提高诊断准确性中的应用。此外，讨论EEG数据与其他生物标志物和影像学发现的整合，以增强早期诊断精度。最后，探讨该领域的未来趋势和挑战。通过这一全面概述，旨在为推进基于EEG的早期AD诊断提供基础，最终改善患者预后和公共卫生策略。
2 基于EEG的早期AD诊断方法
2.1 文献检索策略
本综述采用基于系统性文献检索的叙述性综述方法。检索了以下电子数据库：PubMed、IEEE Xplore、Scopus和Web of Science。检索时间覆盖2018年1月至2025年12月。检索策略结合了与疾病、技术及诊断方法相关的术语，使用以下布尔逻辑：（“Alzheimer disease” OR “mild cognitive impairment”）AND（“EEG” OR “electroencephalography”）AND（“early diagnosis” OR “machine learning” OR “deep learning” OR “feature extraction”）。纳入标准：（1）以英文或中文发表的原创研究；（2）人类受试者；（3）明确诊断为AD或MCI；（4）至少应用一种EEG特征提取方法或机器学习/深度学习算法；（5）报告定量性能指标（如准确率、灵敏度、特异度）。排除标准包括病例报告、动物研究、无原始数据的综述文章、样本量小于10例的研究以及缺乏对照组的研究。研究人员在讨论部分对研究质量进行定性评估，重点关注方法学稳健性、可重复性和临床相关性。检索过程并非旨在穷尽所有文献，而是捕捉基于EEG的早期AD诊断的主要方法学发展和代表性研究。
2.2 EEG信号在早期AD诊断中的应用基础
2.2.1 EEG信号的生理基础及其与认知功能的关系
EEG信号源于大脑皮层锥体神经元产生的突触后电位的总和，反映了大量神经元群体的同步活动。其产生机制涉及兴奋性神经元和抑制性神经元的协调放电，产生跨不同频段的振荡模式，这些模式与不同的认知和行为状态相对应。在AD中，这些神经振荡发生特征性改变。AD患者典型的EEG变化包括EEG频谱的全局减慢，表现为α（8–13Hz）和β（13–30Hz）功率降低，δ（0.5–4Hz）和θ（4–8Hz）功率增加，表明皮层网络动力学受损。需要注意的是，这种频谱减慢模式虽然是AD的特征性电生理特征，但并非疾病特异性生物标志物，因为在路易体痴呆（DLB）中也观察到类似现象。因此，鉴别诊断中的综合评估应整合临床评价和其他生物标志物。此外，EEG节律的异常，如复杂性降低和同步性改变，反映了潜在的突触功能障碍和神经元丢失。定量EEG（QEEG）研究表明，认知功能下降与这些EEG特征密切相关。例如，α相干性降低和全局同步性减弱与AD患者的记忆障碍和执行功能障碍相关。此外，微状态分析揭示AD中的组织性降低和复杂性减少，进一步将EEG模式与认知衰退联系起来。这些发现强调EEG信号提供了认知神经生理学基础的窗口，其在AD中的特征性改变可作为疾病进展的早期功能性生物标志物。
2.2.2 EEG采集技术与数据预处理方法
用于AD诊断的标准EEG采集通常采用多通道系统，电极放置遵循国际10–20系统，确保覆盖与认知功能相关的皮层区域。传统湿电极和新兴干电极技术均有使用，干电极在易用性和长期监测方面具有优势，但对运动伪影和皮肤-电极阻抗变化更为敏感。对于长期监测或动态监测，已探索耳内EEG等新方法，并在AD患者中显示出可行性和安全性。EEG数据的预处理对于提高信号质量和可靠性至关重要。常见的去噪技术包括带通滤波以去除生理范围外的频率成分，以及针对眼电（眨眼、扫视）、肌电和心电干扰的伪影去除方法。采用独立成分分析（ICA）和小波滤波等先进算法来分离和消除伪影。数据标准化包括归一化和分段成epoch，以确保分析的一致性。这些预处理步骤对于准确提取与AD诊断相关的EEG特征以及最小化混杂影响至关重要。
2.2.3 EEG信号的时频特征及其在AD诊断中的意义
AD中的EEG分析利用从时域、频域和时频域提取的特征来捕捉脑活动的复杂动态。时域特征包括统计量如平均振幅、方差和高阶矩（如峰度），这些反映信号变异性和复杂性。频域分析关注跨规范频带（δ、θ、α、β）的功率谱密度（PSD），AD患者表现出慢频（δ、θ）功率增加和快频（α、β）功率降低，提示皮层减慢。时频域方法，如小波变换和短时傅里叶变换，提供EEG信号的动态表示，使检测与AD病理相关的瞬态振荡模式和非平稳性成为可能。这些方法有助于提取事件相关电位（ERPs）、谱熵和连接性度量等特征，已被证明可提高诊断准确性，并作为早期诊断和疾病监测的关键生物标志物。例如，Durongbhan等人结合小波变换特征与K最近邻分类器，在40名受试者（20名AD和20名健康对照）的短时（4秒）睁眼EEG epoch上，区分AD和健康对照的分类准确率高达99%。通过机器学习和深度学习框架整合这些特征，进一步提高了基于EEG的早期AD检测的灵敏度和特异度。Gallego-Vinaras等人将半监督深度学习应用于通过多导睡眠监测获得的睡眠状态EEG信号，在监督形式下达到90%准确率，全监督基准下在不同睡眠阶段达到92–94%准确率，展示了即使有限标记数据下利用睡眠EEG进行早期AD检测的可行性。
2.3 EEG信号特征提取方法
2.3.1 传统特征提取方法
用于AD诊断的传统EEG特征提取方法包括线性和非线性方法，每种方法提供受AD病理影响的脑动力学的不同见解。线性特征提取通常包括功率谱分析、相干性分析和复杂度指标（如熵测度）。功率谱分析量化EEG信号功率在频带（δ、θ、α、β、γ）上的分布，揭示AD患者EEG节律的特征性减慢，尤其是δ和θ功率增加，α和β功率降低。相干性分析通过测量EEG通道之间的同步性来评估功能连接，AD中相干性降低表明神经通信中断。复杂度测度如近似熵和样本熵捕捉EEG信号的不规则性和不可预测性，由于神经复杂性和网络退化丧失，AD中这些指标趋于降低。例如，Maturana-Candelas等人分析了来自253名受试者（健康对照组、MCI、轻度、中度和重度AD）的静息态EEG数据，证明多尺度熵指标能有效追踪AD连续谱上的神经退行性过程，并可作为疾病进展监测的补充生物标志物。非线性特征提取方法深入探讨EEG信号的混沌和分形特性。分形维度量化EEG时间序列的自相似性和复杂性，AD中通常降低，反映神经复杂性减少。李雅普诺夫指数衡量对初始条件的敏感性，其改变指示脑活动动力稳定性的破坏。样本熵作为精细化的熵测度，评估信号复杂性，已在AD中显示降低，并与认知衰退相关。生物学上，这些特征与AD病理密切相关：EEG节律减慢和相干性降低反映突触功能障碍和神经元丢失，这是AD的标志；复杂性和分形测度降低对应于神经网络动力学受损和脑功能适应性下降。因此，传统线性和非线性EEG特征提供了互补的生物标志物，捕捉AD病理引起的频谱和动力学改变，有助于早期诊断和疾病进展监测。
2.3.2 高级特征提取技术
传统特征提取方法建立了理解AD中EEG异常的可解释生理机制框架，而高级特征提取技术在此基础上通过数据驱动的模式挖掘，提供更高维度和灵敏度的增强判别力。这些高级技术主要包括三个关键方法论支柱：时频分析、脑网络建模和多模态数据整合。时频联合分析方法，如小波变换和短时傅里叶变换，能够同时检查EEG信号的时间和频谱特征，捕获与AD相关脑活动中固有的瞬态变化和非平稳性。这些方法克服了纯时域或频域分析的局限性，通过揭示动态振荡模式及其演变，对检测细微的AD关联改变至关重要。脑网络分析基于图论将大脑建模为复杂网络，节点代表EEG通道或脑区，边表示功能连接。聚类系数、路径长度、模块化和“小世界”属性等指标量化网络整合与分离。在AD中，这些网络属性受到破坏，反映通信受损和拓扑结构改变。基于相干性或相位同步得出的功能连接测度构成构建这些网络的基础，能够识别预测AD的网络枢纽和模式。多模态融合将EEG特征与其他生物标志物（如结构MRI、功能MRI或脑脊液标志物）整合，以利用互补信息。特征级融合将异质数据统一表示为单一表征，增强分类性能。例如，结合EEG衍生的功能连接与MRI结构特征，改善了AD、MCI和健康对照之间的区分。这种整合方法应对AD的多因素性质，并利用多样化的生物学特征进行稳健诊断。
2.3.3 特征选择与降维
特征选择和降维对于优化基于EEG的AD诊断模型至关重要，通过提高分类精度、降低计算负担和改善可解释性。特征选择方法分为三类：过滤法、包裹法和嵌入法。过滤法使用统计指标（如相关性、互信息或F统计量）独立于分类器评估特征，计算效率高但忽略特征依赖。包裹法通过训练分类器评估特征子集，提供更高精度但计算成本增加。嵌入法在模型训练中整合特征选择，如LASSO（Least Absolute Shrinkage and Selection Operator）或基于树的算法，平衡性能和效率。降维技术如主成分分析（PCA）和线性判别分析（LDA）将高维EEG特征转换为低维空间。PCA识别捕获最大方差的正交分量，不考虑类别标签，适用于噪声降低和可视化。LDA寻求最大化类间可分性的投影，增强分类任务中的判别力。这些方法减轻了EEG数据中常见的高维特征引发的维度灾难和过拟合问题。实证研究表明，适当的特征选择和降维显著提高诊断性能。例如，将最大相关性（mRMR）过滤选择与支持向量机（SVM）分类器结合，提高了AD分类的准确性。自适应逐步选择和进化算法也被应用于识别最优特征子集，产生稳健模型。此外，特征选择通过突出与AD病理相关的生物学相关EEG特征，有助于模型可解释性。总体而言，定制的特征选择和降维策略对于开发有效的基于EEG的AD诊断系统不可或缺。
2.4 基于EEG的早期AD诊断智能算法
在应用任何算法之前，必须进行特征选择和降维（如图1所示），这是增强模型性能、防止过拟合的基础步骤。值得注意的是，当前研究呈现从依赖手工特征的传统机器学习向具备自动特征提取能力的深度学习模型的明显转变。
2.4.1 传统机器学习算法
传统机器学习算法如SVM、随机森林（RF）和K最近邻（k-NN）已广泛应用于EEG数据用于AD早期诊断。SVM以其在高维空间中的强泛化能力著称，在区分AD患者与健康对照及其他痴呆类型方面表现出高分类准确率。Senkaya等人（2025）采用机器学习方法分析来自36名AD患者、23名额颞叶痴呆（FTD）患者和29名健康对照的EEG数据。从时域信号和功率谱密度（PSD）中提取了342个统计和频谱特征，使用相关性分析进行特征选择，然后通过贝叶斯优化超参数的支持向量机（SVM）进行分类，SVM分类器达到96.01%的准确率。类似地，RF作为一种基于决策树的集成学习方法，通过有效处理EEG信号的非线性和噪声性质显示出稳健性能。比较研究表明，RF在提供特征重要性见解的同时能达到竞争性准确率，这对理解AD相关EEG生物标志物很有价值。Lal等人（2024）采用滑动窗口技术（90%重叠），使用奇异值分解（SVD）熵提取特征，并在88名受试者（36名AD、23名FTD、29名健康对照）的EEG数据上应用k-NN分类器，模型分类准确率超过90%：区分AD与健康对照为94.72%，区分FTD与健康对照为94.18%。这些算法的比较评估通常揭示分类精度与计算复杂度之间的权衡。SVM往往提供更优的准确性和泛化能力，但可能需要仔细调参核函数和参数；RF提供可解释性和抗过拟合性；k-NN虽然简单，但在可扩展性和对噪声数据敏感性方面可能受限。构建有效训练数据集需要仔细预处理，包括伪影剔除和特征提取（如功率谱密度、熵和连接性测度）。交叉验证策略，主要是k折和留一受试者法，用于评估模型泛化性和防止过拟合。这些传统ML方法为基于EEG的AD诊断提供了坚实基础，但其对手工特征的依赖和捕捉复杂时间动态的有限能力促使了对深度学习模型的探索。
2.4.2 深度学习模型及其优势
深度学习模型，特别是卷积神经网络（CNN）和包括长短期记忆网络（LSTM）在内的循环神经网络（RNN），通过实现自动特征提取和时间依赖建模，革新了基于EEG的早期AD诊断。CNN通过分层卷积层在捕捉空间和频谱EEG特征方面表现出色，从原始或时频变换的EEG数据中有效学习判别性表示。例如，基于CNN的模型在EEG时频图像上训练，区分AD和MCI与健康对照的分类准确率约为83–88%，表现优于传统ML方法。RNN和LSTM特别擅长处理序列EEG数据，捕捉对AD诊断至关重要的时间模式。基于注意力机制的LSTM模型在增强聚焦于显著时间特征方面显示出能力，提高了基于任务EEG范式的分类准确率。端到端深度学习框架进一步整合特征提取和分类，简化诊断流程。Alouani等人（2025）开发了一种对比双分支网络（CDB-Net），在88名受试者（36名AD、23名FTD、29名HC）上训练，从干净和噪声EEG信号中联合学习，在干净数据上达到97.92%准确率，在FGSM对抗攻击下达到83.41%准确率。此外，将CNN与LSTM或注意力机制结合的混合架构显示出有效融合EEG空间和时间特征的能力，从而提高了诊断精度。这些深度学习模型减少了对手工特征工程的依赖，并且能在受试者和记录条件之间更好地泛化。然而，挑战仍然存在，包括需要大量标注数据集和处理受试者间变异性。迁移学习和多任务学习策略已被提出以缓解数据稀缺并增强模型泛化性。总体而言，深度学习方法代表了基于EEG的早期AD诊断迈向自动化、准确和可扩展的有前途方向。
2.4.3 多模型融合与集成学习
为进一步提高基于EEG的早期AD诊断的准确性和稳健性，多模型融合和集成学习策略日益被采用。多模型融合涉及组合多个分类器或模型的预测或特征，以利用其互补优势。例如，通过加权投票或堆叠整合SVM、RF和k-NN分类器的输出，已被证明可改善超越单个模型的分类性能。集成学习方法如Boosting和Bagging也已应用于EEG数据分类。Boosting算法迭代关注误分类样本以构建强分类器，而Bagging通过在引导数据集上训练多个模型来降低方差。这些方法增强了模型稳定性和泛化性，尤其在存在噪声EEG信号的情况下。除了分类器级融合，多源信息整合——将EEG特征与临床数据（如神经心理学评估、遗传信息）结合——已显示出卓越的诊断准确性。Yu等人（2024）在60名AD患者和83名对照的EEG和遗传特征（SNPs和PRS）上训练SVM模型，使用多模态数据达到92.1%的交叉验证准确率，显著优于单模态模型，展示了数据融合的价值。此外，采用EEG衍生生物标志物与影像或认知评分决策级融合的框架已被提出，以提供全面的诊断见解。这些多模型和多模态融合策略通过捕捉AD病理学的不同方面并增强对受试者间变异性和记录伪影的稳健性，解决了单模型方法的局限性。然而，挑战如最优融合策略选择、计算复杂度和数据协调仍为活跃研究领域。未来工作聚焦于自适应、可解释的集成模型以及异质数据源的整合，有望推动基于EEG的早期AD诊断。
2.4.4 EEG-based AD诊断中的可解释性与可解释人工智能
尽管深度学习模型在基于EEG的AD分类中取得了显著准确率，但其临床采用仍受到“黑箱”性质的严重限制。临床医生在不理解模型为何做出特定决策的情况下无法信任诊断建议，尤其是在高风险神经退行性疾病诊断中。可解释人工智能（XAI）通过提供模型预测背后的人类可理解理由，从而促进信任、实现模型验证并可能发现新的电生理生物标志物，解决了这一关键差距。XAI方法大致可分为内在可解释模型和后验解释方法。内在模型（如逻辑回归、决策树和可解释提升机（EBM））本质上是透明的，但在复杂EEG数据上通常表现不佳。后验方法是EEG-AD研究的主流，在不改变其参数的情况下，在训练黑箱模型（如深度神经网络）后应用。这些方法试图解释已训练复杂模型做出的特定预测。虽然灵活，但后验解释仅是对模型内部逻辑的近似，存在对实际决策过程忠诚度不完全的风险。它们可进一步分为模型特定与模型无关、局部与全局解释。几种XAI技术已成功应用于EEG-AD诊断，如表2所示。尽管取得了这些进展，仍存在若干挑战。忠诚度（解释是否真实反映模型内部逻辑）和稳健性（在微小输入扰动下的稳定性）难以量化。不同XAI方法通常对同一预测产生不同解释，引发一致性问题。此外，EEG-AD中XAI的标准化基准和评估协议缺乏；大多数评估仍依赖视觉检查。最后，计算开销——尤其是对于SHAP（SHapley Additive exPlanations）等基于扰动的方法——可能阻碍临床环境中的实时部署。未来方向应聚焦于开发因果基础的解释和交互式界面，允许临床医生以人机协作方式查询模型。建立包含真实解释（如模拟EEG病灶或同步fMRI-EEG数据）的公开基准以及标准化忠诚度指标，对于将XAI增强的EEG-AD模型从研究实验室转化为常规临床实践至关重要。
3 讨论
3.1 阿尔茨海默病中一致的EEG改变与混杂因素
尽管AD存在一致的EEG特征——即频谱减慢（δ/θ功率增加，α/β功率降低）、α波段功能连接降低以及P300潜伏期延长——但由于三类混杂因素，研究间仍存在显著变异性。患者相关因素包括年龄（正常衰老模仿轻度减慢）、共病（脑血管疾病、抑郁、睡眠呼吸暂停）和药物，尤其是胆碱酯酶抑制剂，其部分使EEG频谱正常化并系统性地低估疾病-对照差异。研究设计因素涉及异质性诊断标准、疾病阶段（MCI vs. 中度AD）和对照组选择（可能存在临床前病理）。技术因素——采集硬件、电极布局、记录条件和预处理流程（滤波、伪影剔除、重参考）——构成了最普遍但报告最少的变异性来源，导致可重复性危机。认识到这些，急需标准化倡议如脑成像数据结构-EEG（BIDS-EEG）、标准化早期EEG处理流程（PREP）和ComBat协调，以推动基于EEG的AD生物标志物走向临床接受。
3.2 基于EEG的AD诊断临床转化的障碍
尽管上述特征提取和智能算法取得了有前景的进展，将基于EEG的早期AD诊断转化为常规临床实践仍严重受限。截至2026年，尚无用于AD筛查的专用定量EEG（qEEG）软件获得监管批准（如FDA或EMA），临床实践指南基本忽略EEG作为诊断生物标志物。
3.2.1 方法学和验证空白
首先，整个EEG流程缺乏标准化——从采集方案（电极布局、参考、采样率）到预处理（滤波、伪影剔除）和特征提取——严重阻碍了可重复性和跨研究可比性。与神经影像学（如ADNI协调方案）或体液生物标志物不同，AD研究中没有广泛接受的国际标准用于qEEG。这种“分析灵活性”夸大了性能估计并削弱了信任。其次，大多数研究依赖于小规模、单中心、便利样本，人口学和临床特征狭窄。在如此精心策划的数据集中达到令人满意的高准确率的模型，通常无法泛化到现实世界人群（伴有共病、用药或种族/民族多样性）。第三，绝大多数已发表工作为横断面研究，比较已确诊AD患者与健康老年人。证明EEG特征预测MCI向AD转化——作为早期诊断工具的关键要求——的纵向证据仍然稀缺。迫切需要大型、前瞻性、多中心队列研究以建立预测有效性。
3.2.2 基于AI的医疗器械的监管障碍
即使模型表现出稳健性能，应对监管环境也令人生畏。传统批准路径（如FDA 510(k)）依赖于与已上市器械的“实质等同性”；然而，深度学习驱动的qEEG AD分类器不存在这样的已上市器械。深度神经网络的“黑箱”性质使安全性和有效性评估复杂化，且持续学习的自适应算法在部署后超出了当前锁定算法框架的范围。重要的是，FDA和EMA均未发布针对EEG认知筛查设备所需灵敏度/特异度阈值的具体指南，也未制定针对qEEG的详细验证协议。监管路径的缺失，加上关键临床试验的高昂成本，导致截至2026年中期，基于EEG的AD诊断尚无获批产品。
3.2.3 初级保健中的实际障碍
即使实现监管批准和指南认可，在初级保健（预期的护理点）中部署EEG筛查也面临巨大后勤挑战。传统湿电极系统需要屏蔽间和训练有素的技术人员；虽然存在干电极便携设备，但其在老年人中的信号质量和可用性需要真实世界验证。初级保健医生缺乏EEG解读培训，增加筛查步骤将扰乱本已超负荷的工作流程。
3.2.4 走向转化路线图
克服这些障碍需要利益相关方的协调努力。学术和工业联盟应优先制定标准化采集和预处理协议（类似于MRI的阿尔茨海默病神经影像学倡议）。必须资助大型、多中心、前瞻性纵向研究（例如数千名受试者，经PET或CSF确认）以建立预测有效性和临床效用。监管机构需要为基于AI的qEEG设备制定定制指南，包括分析和临床验证的接受标准。指南委员会应定期重新评估新出现的证据，可能将EEG作为低成本筛选工具，以富集需确认性检测的高危人群。最后，卫生经济学家和支付方必须合作生成成本效益数据，为覆盖决策提供依据。只有通过这种系统性、多学科的努力，才能弥合转化鸿沟，将EEG从有前景的研究工具转变为临床可操作的早期AD诊断解决方案。
4 结论
EEG为早期阿尔茨海默病病理生理学提供了无创、成本效益高且时间分辨率高的窗口，在明显临床症状出现之前捕捉到频谱减慢和网络破坏等功能性改变。当与高级特征提取和机器学习（包括深度学习、多模态融合和可解释AI）结合时，基于EEG的模型在研究环境中已实现高诊断准确性。然而，向临床实践的转化仍受到方法学异质性、混杂因素（年龄、药物、共病）、缺乏标准化以及缺乏监管批准产品或指南认可的阻碍。克服这些障碍需要大规模、多中心纵向研究，采用标准化流程（如BIDS-EEG、PREP、ComBat），以及研究人员、临床医生、监管机构和支付方的协调努力。通过这样的系统性进展，EEG可以从有前景的研究工具演变为可靠、可及的早期AD诊断解决方案，从而实现及时干预并改善患者预后。
