基于可解释机器学习与小样本脑电数据的阿尔茨海默病表征研究

《Frontiers in Aging Neuroscience》：Explainable machine learning for Alzheimer's disease characterization using small-sample EEG data

　　

阿尔茨海默病（Alzheimer's disease，AD）与进行性认知衰退和脑功能活动改变相关，然而客观且可解释的电生理指标仍未得到充分确立。静息态脑电图（resting-state electroencephalography，EEG）提供了一种低成本且临床可及的候选手段，前提是分析在受试者水平上得到验证并保持可解释性。本研究评估了一种可解释的静息态EEG框架，用于区分AD患者与健康对照（healthy control，HC）受试者。研究纳入来自公开数据集共63名参与者（36例AD，27例HC）。从19个预处理后的头皮通道提取受试者水平的频谱特征和非线性复杂度特征；缺失值插补、特征筛选、冗余剪除、缩放和模型拟合均在留一受试者交叉验证（leave-one-subject-out cross-validation，LOOCV）的每一折内完成。研究比较了四种线性分类器，并因岭逻辑回归（Ridge Logistic regression）在硬标签性能上的均衡性以及与线性SHAP（Linear SHAP）的直接兼容性而保留其用于折外SHAP解释。在非嵌套验证设计下，岭逻辑回归的探索性AUC为0.912（准确率=0.857，灵敏度=0.778，特异度=0.963）。在30个独立平衡的epoch重采样中，平均AUC为0.887±0.020；使用所有可接受epoch时AUC为0.917。SHAP分析表明，分类器共同依赖后部α活动、额叶和颞叶θ功率、θ/α比值以及慢/快波比值特征。独立于分类器的微状态分析显示，AD组中推定B类（putative Class B）出现率降低，推定C类（putative Class C）和D类（putative Class D）持续时间增加，并存在六项经FDR校正的非对角转移差异；三个主要时间效应在重复的K=4初始化中持续存在，并与K=3–6的解一致。这些发现表明，静息态EEG可提供关于AD相关功能改变的、非侵入性且可解释的信息，但仍有待在更大规模、独立队列中验证。

**论文解读：基于可解释机器学习与小样本静息态脑电数据的阿尔茨海默病表征研究**

**一、研究背景与问题**

阿尔茨海默病（Alzheimer's disease, AD）是老年人群中最常见的痴呆类型，随着人口老龄化，其临床和社会负担持续增加。早期且可及的识别对于AD的临床管理具有重要意义，但现有诊断辅助工具存在明显局限。简易精神状态检查（Mini-Mental State Examination, MMSE）和蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）等简短认知量表在基层医疗中广泛使用，但结果易受教育、语言和文化背景影响。淀粉样蛋白和tau PET成像可可视化AD相关病理改变，但成本高、可及性有限且需注射放射性示踪剂，限制了常规筛查应用。脑脊液（cerebrospinal fluid, CSF）生物标志物，包括Aβ42、总tau和磷酸化tau，也提供了有价值的诊断信息，但其依赖腰椎穿刺，可接受性和广泛使用受到制约。

在此背景下，静息态脑电图（resting-state electroencephalography, EEG）提供了一种互补且临床可及的视角：无创、成本相对较低、适合重复记录，且高时间分辨率能够刻画快速的神经动力学。静息态EEG对AD相关神经生理改变敏感，包括频谱减慢（由快节律向慢节律的转变）、信号复杂度降低以及头皮拓扑动力学改变。然而，已有机器学习研究普遍存在验证设计不当的问题，尤其是在小样本临床队列中，若同一受试者的多个epoch同时出现在训练集和测试集中，模型可能利用受试者特定信息而产生乐观估计。此外，基于EEG的AD分类中，模型可解释性仍是关键问题。后验归因方法如SHAP（Shapley additive explanations）虽可用于识别贡献特征，但若缺乏泄漏控制的验证和独立于分类器的分析支持，其解释价值有限。因此，研究人员开展了本研究，旨在评估一种在受试者水平验证、具有可解释性且经泄漏控制的静息态EEG框架，用于区分AD患者与健康对照（healthy control, HC）受试者。

**二、研究设计**

研究人员采用了AHEPA公开数据集（OpenNeuro ds004504；Miltiadous等，2023），该数据集包含63名受试者（36例AD和27例HC）。AD组符合NIA-AA临床可能AD标准，平均MMSE为17.75，HC组MMSE均为30。主要方法包括：从19个头皮通道提取受试者水平的频谱特征（绝对功率、相对功率、比值特征、不对称指数）和非线性复杂度特征（排列熵和微分熵），共373个候选特征；在留一受试者交叉验证（leave-one-subject-out cross-validation, LOOCV）的每一折内独立完成缺失值插补、基于|AUC?0.5|排序的特征筛选和Spearman相关冗余剪除（阈值0.90）、标准化及模型拟合。比较了四种线性分类器，保留岭逻辑回归用于SHAP可视化。SHAP分析以折外（out-of-fold）方式执行，与验证策略保持一致。微状态分析独立于分类器进行，采用极性不变k-means聚类估计群组模板，并计算时间参数和转移概率。

**三、研究结果**

**分类性能。** 在k=12统一设置下，四种线性分类器的LOOCV AUC范围为0.862至0.914。岭逻辑回归达到探索性AUC为0.912、准确率0.857、灵敏度0.778、特异度0.963、精确率0.966、F1分数0.862。线性SVM的AUC略高（0.914），但以灵敏度显著降低（0.667）为代价。弹性网络逻辑回归与岭逻辑回归表现相似（AUC=0.910），收缩线性判别分析AUC最低（0.862）但硬标签准确率相同。仅人口统计学变量（年龄+性别）的模型AUC为0.58，接近随机水平；将其加入EEG特征池后在任何折内均未被选中，组合模型AUC与仅EEG模型相同。

**Epoch采样敏感性分析。** 在30个独立平衡随机样本中，平均AUC为0.887±0.020（范围0.829–0.921），平均准确率0.811±0.024。使用所有可接受epoch时AUC为0.917。最频繁被选中的特征包括O2 α绝对功率、F7 θ绝对功率、Fp1 θ相对功率和T3 θ相对功率，选中频率为87%–95%。所选特征集的平均两两Jaccard重叠为0.535，表明存在一组高频特征及次要特征的变化。

**折外SHAP模型解释。** 按选择加权重要性排序，最具有判别力的12个特征全部来自频谱特征族，包括O2 α绝对功率（优势显著）、Fp1 θ相对功率、Fz θ相对功率、左枕慢/快波比值、F4 α相对功率、左颞θ相对功率等。非线性复杂度特征（排列熵和微分熵）在LOOCV的任意折内均未被选中。12个主要特征中11个在所有被选中的折内出现100%系数方向一致性，剩余一个特征的方向一致性为96.6%。SHAP方向与已知AD相关EEG异常一致：较低的O2 α绝对功率产生正向SHAP（推高AD倾向），较高的θ相对功率和升高的慢/快波及θ/α比值同样产生正向SHAP，符合AD中后部α活动减弱和振荡减慢的典型模式。

**混杂因素分析。** 人口统计学模型（年龄+性别）AUC为0.58，接近随机。加入年龄和性别变量后，这些变量在任何LOOCV折内均未被选择，组合模型AUC（0.912）与仅EEG模型完全一致。技术变量的描述性评估显示组间平均记录时长相似（AD：13.5分钟；HC：13.8分钟）、原始采样率相同、额外epoch拒绝率低于1%、63名受试者中62名保留epoch数均达60个上限，因此不具备协变量模型分析所需的充分变异。

**微状态拓扑动力学。** 极性不变k-means聚类产生了四个群组级模板（推定A–D类，按解释方差降序排列），K=4解解释了总GFP峰值方差的56.4%。受试者水平回拟合显示：推定B类出现率在AD中降低（12.2次/秒 vs. 14.8次/秒，p<0.001，秩双列r=?0.70），覆盖率相应降低；推定C类平均持续时间在AD中增加（20.2 ms vs. 15.7 ms，p<0.001，r=+0.53），覆盖率也增加（22.6% vs. 18.2%，p=0.005，r=+0.42）；推定D类持续时间在AD中亦增加（20.3 ms vs. 17.6 ms，p=0.002，r=+0.47）。在30个独立初始化及主解下，这三个主要时间效应在所有31个解中均显著，平均秩双列相关分别为?0.57、+0.54和+0.46；在匹配的K=3、5、6解中均保持方向和显著性。转移概率分析发现六项经Benjamini–Hochberg FDR校正的组间差异：AD中A→B、B→A和D→B转移概率降低，B→C、C→D和D→C转移概率升高。

**四、总结讨论与研究结论**

研究人员指出，本研究的关键方法学特征在于受试者水平的验证和折内特征选择。与segment级交叉验证相比，LOOCV将每个受试者作为独立验证单元，降低了信息泄漏导致的乐观估计风险。主要局限包括：k=12和岭逻辑回归的选择基于全局LOOCV谱，而非嵌套交叉验证，所报AUC应被视为探索性上限估计而非已确认的泛化性能；AHEPA数据集为临床诊断的可能AD，无PET、CSF或MRI生物标志物确认；样本量有限且AD与HC组处于临床极端（平均MMSE 17.75 vs. 30），对MCI或早期AD的泛化能力未经验证；使用了AHEPA预处理衍生产物（ASR+ICA）；缺少用药状态、合并症等临床协变量；19通道记录限制了空间分辨率。

研究结论可翻译为：总之，本研究在公开AHEPA数据集（63名受试者）中评估了一种可解释的静息态EEG框架，用于区分临床诊断的可能阿尔茨海默病（AD）患者与健康对照（HC）受试者。在采用折内特征选择和模型拟合的留一受试者交叉验证（LOOCV）下，岭逻辑回归（Ridge Logistic）实现了探索性AUC为0.912（未进行嵌套验证）和0.857的准确率。在epoch重采样中，平均AUC为0.887±0.020，而使用所有可接受epoch的分析产生AUC=0.917，表明信号良好但存在样本依赖性。仅人口统计学模型产生接近随机的表现（AUC=0.58），在本LOOCV比较中纳入可用的年龄和性别变量未实质改善判别能力。折外SHAP分析表明，分类模型依赖频谱EEG特征，包括后部α活动、额叶和中央中线θ功率、频谱比值特征，而非单一主导标志物。12个主要特征中有11个在LOOCV各折中表现出100%的系数方向一致性。与此同时，独立于分类器的微状态分析揭示了AD中改变的时间参数和非对角转移概率；三个主要时间效应在重复初始化和匹配的替代K解中保持一致。这些发现表明，静息态EEG提供了非侵入性且可解释的信息，用于表征AD相关的功能改变。这些发现应视为探索性的，有待在更大规模、多中心、具有更广泛认知严重程度范围的队列中验证。