痴呆症神经信号解码中的可解释人工智能：一种用于鉴别诊断的脑电图集成学习方法

《Frontiers in Neuroinformatics》：Interpretable AI for neural signal decoding in dementia: an EEG ensemble approach to differential diagnosis

　　

引言：阿尔茨海默病（Alzheimer’s disease，AD）与额颞叶痴呆（frontotemporal dementia，FTD）因早期临床症状重叠导致鉴别诊断困难。传统静息态脑电图（electroencephalography，EEG）对FTD中常见的神经可塑性受损及皮质侧向化变性敏感度有限。方法：研究人员开发了领域感知的异质集成框架，融合19通道EEG在静息态与光刺激范式下记录的动态神经反应性（neural reactivity）与半球不对称指标。从88名受试者（36例AD、23例FTD、29例认知正常对照）提取神经反应性向量（Vdiff）量化状态依赖的频谱转移。1014维特征空间经递归特征消除（recursive feature elimination，RFE）降至200维，优先保留频谱功率分布、半球不对称指数（Hemispheric Asymmetry Index，HAI）及刺激诱导反应性参数。采用极端梯度提升（Extreme Gradient Boosting，XGBoost）与随机森林（Random Forest）加权集成，在受试者感知的90/10留出划分下以内部五折交叉验证评估。结果：优化模型在1281段独立测试集上多类片段级准确率达95.63%，内部五折交叉验证均值0.9846±0.003，FTD特异精确率0.9907。SHAP（SHapley Additive exPlanations）分析确定β频段半球不对称与α频段反应性为类别分离主要贡献者。讨论：动态状态转移测量与结构不对称代理的整合增强了痴呆亚型的电生理判别。该框架为基于深度学习的EEG痴呆分类提供了计算高效且生物可解释的替代方案。

研究背景与动机

阿尔茨海默病（AD）与额颞叶痴呆（FTD）是两种常见神经退行性疾病，病理特征不同但早期临床表型高度重叠，导致临床诊断常存歧义。常规静息态脑电图（EEG）依赖静态频谱功率，难以捕捉FTD中受损的神经可塑性与丘脑皮质响应，且无法充分反映FTD特征性的侧向化皮质变性。误判可能引发错误用药（如FTD患者使用乙酰胆碱酯酶抑制剂会加重行为症状）。因此，亟需引入生理启发的动态特征与结构不对称代理，构建非侵入、可解释且高效的辅助鉴别系统。研究人员在《Frontiers in Neuroinformatics》提出一种领域感知的异质集成框架，证明无需深度学习即可在EEG信号上实现高精度且生物可解释的AD/FTD/认知正常（CN）三分类。

主要关键技术方法

研究人员使用OpenNeuro公开数据集ds004504与ds006036，来自同一88人队列（36 AD、23 FTD、29 CN），含静息闭眼（REST）与睁眼光刺激（PHOTO）19通道500 Hz记录。预处理经0.5–45 Hz零相位Butterworth带通、平均乳突重参考、ASR（Artifact Subspace Reconstruction）去伪迹、ICLabel辅助ICA剔除眼肌伪迹；连续信号切为4 s无重叠窗，得12911段。特征含REST/PHOTO/DIFF（PHOTO?REST）三态下的频带功率（Δ/θ/α/β/γ及细分子带）、统计描述子、全局比率、额叶慢化指数及七对同源电极HAI（(P_left?P_right)/(P_left+P_right+10^?10)），初池1014维。RFE基于随机森林基尼下降选200维；分类器为XGBoost（1500树、最大深度12、学习率0.02、FTD类损失权重2.0）与随机森林（深度30）加权软投票（0.6/0.4），RobustScaler拟合于训练块，严格按受试者ID做90/10留出、五折交叉验证内重选特征防泄漏；可解释性用SHAP与增益重要性。

研究结果

3.1 分类性能

在1281段留出测试集上，片段级总准确率95.63%；AD/FTD/CN各类准确率分别为97.0%/95.1%/94.0%，FTD精确率0.9907、召回0.951、F1 0.971。成本敏感学习显著提升少数类FTD识别，降低假阳性。

3.2 诊断判别分析

混淆矩阵显示FTD仅4段误归CN，错误多源于早期AD与FTD频谱重叠。t-SNE在200维空间可见三类流形分离。ROC曲线各类AUC≥0.993（FTD 0.998、CN 0.995、AD 0.993），PR曲线在FTD高召回下峰值精确率0.9907。

3.3 模型稳定性与统计可靠性

内部五折交叉验证片段级准确率0.9846±0.003；Cohen’s κ=0.9145（p<0.001）远超重随机。跨折叠特征选择中β不对称与α反应性入选率100%，证实为核心生物标记。增益最高单特征为rest_asym_ch7-9_beta（0.0160）。

讨论与结论翻译

讨论指出，领域引导且经RFE压缩的异质集成能在小队列临床场景中以计算轻量、可解释方式媲美深度学习基准（如Ajra等浅CNN 94.54%、Rostamikia等SVM+连接性93.50%）。SHAP证实静息β频段半球不对称（对应FTD结构性皮质不对称指数CAI报道）与α频段光刺激反应性（对应AD丘脑皮质驱动减弱）为首要驱动变量，使决策可追溯至已知神经生理机制。结论：整合动态状态转移与结构不对称代理的电生理框架，提升了AD与FTD的电生理鉴别力；该不依赖深度学习的异质集成提供了计算高效、生物可解释之替代路径，核心标记（β不对称、α反应性）具备作为临床决策支持中轻量筛查旗标的潜质，但SHAP归因源于全队列重拟合模型，仍需独立前瞻队列验证后方可供临床归因。