《Frontiers in Aging Neuroscience》：Multimodal neuroimaging discrimination of Alzheimer’s disease, mild cognitive impairment, and late-life depression using electroencephalography and functional near-infrared spectroscopy: integrating electrophysiological and hemodynamic biomarkers
编辑推荐：
本文创新性地整合静息态脑电图（EEG）与功能性近红外光谱（fNIRS）技术，通过支持向量机（SVM）模型成功区分阿尔茨海默病（AD）、轻度认知障碍（MCI）和晚发性抑郁（LLD）。研究发现LLD患者α波（8-13 Hz）与高γ波（55-80 Hz）功率显著升高，而fNIRS显示MCI组前额叶血氧血红蛋白（HbO）信号呈现代偿性高激活。多模态融合模型准确率达60.66%，为神经精神疾病的客观诊断提供了新型神经生理学依据。
2 材料与方法
本研究招募了阿尔茨海默病（AD）、轻度认知障碍（MCI）和晚发性抑郁（LLD）患者，所有参与者均根据DSM-5标准由两名精神科医生独立评估后达成共识诊断。最终纳入分析的AD患者61例、MCI患者28例、LLD患者27例，排除标准包括严重AD、运动伪影、记录过程中意外入睡、癫痫样放电等因素。所有受试者在脑电图（EEG）和功能性近红外光谱（fNIRS）记录当天接受迷你精神状态检查（MMSE）和汉密尔顿抑郁量表（HAMD）评估，其中AD组MMSE得分（14.28±5.60）显著低于MCI组（26.86±1.96）和LLD组（26.86±1.96），而LLD组HAMD得分（10.81±3.79）显著高于其他两组。
EEG记录采用128导联系统，采样率500 Hz，在静息态下采集睁眼和闭眼各5分钟数据。功率谱密度分析覆盖δ（1-4 Hz）、θ（4-8 Hz）、α（8-13 Hz）、β（13-30 Hz）、低γ（30-45 Hz）和高γ（55-80 Hz）六个频段，同时计算加权相位滞后指数（wPLI）评估功能连接。fNIRS通过48个通道检测前额叶、部分顶叶和颞叶皮层的氧合血红蛋白（HbO）浓度，采样频率11 Hz，数据预处理包括运动伪影校正、0.01-0.20 Hz带通滤波和比尔-朗伯定律转换。
机器学习建模采用支持向量机（SVM）算法，分别构建基于EEG、fNIRS及多模态融合的分类模型。特征标准化后通过主成分分析降维，采用k折交叉验证和1000次置换检验评估模型显著性。
3 结果
3.1 脑电图分析
闭眼静息态下，LLD组α波功率显著高于AD组和MCI组（p<0.05），高γ波功率显著高于MCI组（p<0.05），而睁眼状态下无显著差异。功能连接分析发现，睁眼状态下MCI组242个电极对的β波wPLI值显著高于AD组。
3.2 近红外光谱分析
11个fNIRS通道（19、22-24、26-28、32、41-43）的HbO功率存在组间差异：AD组显著低于MCI组，而MCI组显著高于LLD组。功能连接网络显示MCI组295个通道对的相关系数显著高于AD组，但低于LLD组。
3.3 模型性能比较
单一模态分类中，EEG模型准确率为52.46%（p=0.0035），fNIRS模型为59.02%（p=0.0035），而多模态融合模型准确率提升至60.66%（p=0.0045），敏感度、特异度、精确度和F1分数分别为0.3934、0.6024、0.3860和0.3980。
4 讨论
本研究首次通过多模态神经影像技术揭示LLD患者独特的皮层亢奋特征：α波增强反映过度内部注意或反刍思维，高γ波升高提示神经元兴奋性增高；而MCI患者前额叶HbO信号代偿性增强可能为AD前驱期的代偿机制。多模态融合模型虽准确率有限，但证明了EEG（毫秒级时间分辨率）与fNIRS（厘米级空间分辨率）的互补价值。
研究局限性包括EEG与fNIRS非同步采集、样本量有限及未采用多种机器学习算法对比。未来需通过实时多模态同步记录、扩大样本和优化算法进一步提升分类效能。
5 结论
静息态EEG的α/高γ振荡与fNIRS的血流动力学信号可作为区分AD、MCI和LLD的潜在生物标志物，多模态机器学习模型为老年神经精神疾病的精准鉴别提供了新思路。
