基于静息态脑电信号结合机器学习预测阿尔茨海默病轻度认知障碍患者的1年期认知衰退

《Clinical Neurophysiology》：Enriched resting-state EEG prediction of cognitive decline in prodromal Alzheimer’s disease: a machine-learning approach

【编辑推荐】本研究旨在解决阿尔茨海默病(AD)轻度认知障碍(ADMCI)患者认知衰退个体化预测难题。研究者将静息态脑电图(rsEEG)生物标志物与APOE基因型、年龄、性别和教育程度信息结合，利用机器学习(ML)模型进行预测。结果显示，在≥70岁和<70岁ADMCI患者亚组中，预测准确率分别达到77–78%和74–77%。该研究表明，富集的rsEEG生物标志物不仅揭示了影响大脑皮层唤醒和警觉度的病理生理机制，还为认知结局提供了有效的预测价值。

　　

随着全球人口老龄化加剧，阿尔茨海默病(Alzheimer’s Disease, AD)已成为一个日益严峻的公共卫生挑战。这种疾病在临床上表现为进行性记忆和认知功能下降，严重影响患者的生活质量。在其漫长的发展过程中，存在一个关键的“前驱期”——轻度认知障碍(Mild Cognitive Impairment, MCI)。这个阶段就像是风暴来临前的宁静，患者虽有认知减退，但日常生活能力尚可，是干预和延缓疾病进展的“黄金窗口”。然而，如何准确识别出那些在未来一年内会快速恶化的高风险患者，以便进行早期、强化的干预，一直是临床医生和研究者面临的一大难题。

传统的诊断和预后评估主要依赖Aβ1-42、磷酸化tau蛋白等脑脊液(Cerebrospinal Fluid, CSF)生物标志物，以及评估海马萎缩等结构变化的磁共振成像(Magnetic Resonance Imaging, MRI)。这些方法虽然有效，但存在价格昂贵、有创（如腰穿）或可及性有限等不足。相比之下，静息态脑电图(Resting-State Electroencephalography, rsEEG)以其无创、低成本和高时间分辨率的优势，展现出巨大潜力。它记录的是大脑在安静闭眼状态下的自发电活动，其节律（如δ、θ、α波）反映了大脑神经细胞集群的兴奋/抑制平衡，是衡量大脑皮层唤醒和警觉水平的“晴雨表”。大量研究表明，AD患者存在特征性的rsEEG异常，如慢波（δ、θ）活动增加和后部α波活动减少。更令人鼓舞的是，这些“大脑电波”的异常似乎能提前“预告”认知功能的衰退。但问题是，单靠rsEEG信号，预测的准确性足够高吗？它是否能与主流的CSF、MRI生物标志物媲美甚至更胜一筹？此外，年龄、性别、教育程度和遗传风险（如APOE ε4基因型）等个体因素都会与AD病理进程复杂地交织在一起，忽视这些因素会影响预测的准确性。为了破解这个难题，来自意大利罗马萨皮恩扎大学的Claudio Babiloni教授团队及其国际合作者们开展了一项创新性研究，他们尝试将rsEEG生物标志物与这些关键的个体信息“富集”在一起，并请出强大的“人工智能助手”——机器学习(Machine Learning, ML)算法，来共同预测ADMCI患者在1年后的认知命运。这项研究成果发表在神经电生理领域的权威期刊《Clinical Neurophysiology》上。

为了完成这项预测任务，研究人员整合了一套多维度、精细化的研究“工具箱”。队列与数据来源：研究从国际PDWAVES和PharmaCog联盟数据库中，纳入了63名经CSF或MRI证实的ADMCI患者和60名认知正常的老年对照者(Nolder)。所有ADMCI患者在基线时均接受了全面的临床、神经心理、遗传（APOE）、CSF、结构MRI(sMRI)和rsEEG评估，并在1年后进行随访，以简易精神状态检查(Mini-Mental State Examination, MMSE)评分的变化来定义认知“稳定”或“衰退”。核心分析技术：1. rsEEG信号处理与溯源：采用eLORETA(eXact Low Resolution Electromagnetic Tomography)软件，将头皮记录的19导联rsEEG信号“逆向推算”回其在大脑皮层各脑叶（额、中央、顶、枕、颞、边缘叶）的神经电活动源，并提取δ、θ、α₂、α₃等频段的功率密度。2. 机器学习模型：研究没有押宝单一算法，而是并行了四种经典的ML模型进行预测和结果平均，以增加可靠性，包括：简单逻辑回归模型树(Simple Logistic Regression Model Trees, SLO)、逻辑回归(Logistic Regression, LOG)、K-最近邻(K-Nearest Neighbor, 3-NN)和支持向量机(Support Vector Machine, SVM)。3. 预测特征构建：构建了四组输入特征用于模型训练和测试：(1) rsEEG组：顶、颞、枕叶的δ、θ、α₂、α₃源活动及功率比，并“富集”了APOE基因型、年龄、性别、教育程度信息。(2) sMRI组：全脑灰质/白质体积、海马/杏仁核体积、皮层厚度等指标，并同样富集上述个体信息。(3) CSF组：Aβ1-42/p-tau等指标富集个体信息。(4) 全部(ALL)组：上述所有特征合并，作为“金标准”参照。4. 模型验证：采用五折交叉验证结合20次随机运行的策略，评估模型预测“衰退者”的敏感性(Sensitivity)、预测“稳定者”的特异性(Specificity)以及整体准确率(Accuracy)。

rsEEG生物标志物有效区分ADMCI患者：与认知正常的Nolder组相比，ADMCI患者表现出显著的后部（顶、枕、颞叶）α₂和α₃频段源活动降低，以及广泛的δ频段源活动升高。这验证了AD患者存在后部α节律减弱和弥漫性慢波活动增强的特征性脑电模式，反映了与觉醒维持相关的神经生理机制失调。

机器学习模型可有效预测1年期认知衰退：这是本研究的核心发现。研究人员将ADMCI患者按年龄分为≥70岁（较年长）和<70岁（较年轻）两个亚组进行分析，以考察年龄因素的影响。

1. 1.
   在较年长(≥70岁)ADMCI患者中：四种机器学习模型平均后的预测表现稳健。rsEEG富集标志物的预测准确率达76.6%，sMRI富集标志物为78.2%，CSF富集标志物为77.7%。当使用全部(ALL)标志物时，准确率为77.3%。这表明，对于较年长的患者，富集的rsEEG标志物的预测能力与经典的sMRI和CSF标志物相当。
2. 2.
   在较年轻(<70岁)ADMCI患者中：预测准确率整体略低。rsEEG富集标志物的准确率为73.8%，sMRI富集标志物为76.6%，CSF富集标志物最低，为71.3%。全部标志物合并的准确率为76.2%。值得注意的是，CSF标志物在此亚组中的预测表现相对较弱。

年龄是影响预测性能的关键因素：上述结果清晰地表明，无论使用哪类生物标志物，对较年轻ADMCI患者的认知衰退预测准确率普遍低于较年长者。这提示早发性与晚发性AD在病理生理机制、疾病进展模式上可能存在异质性，增加了对年轻患者进行准确预测的复杂性。

讨论与结论：本研究成功地将rsEEG这一功能性神经生理指标与APOE基因型、人口统计学等临床易获信息相结合，并利用集成多种机器学习算法的策略，实现了对ADMCI患者1年期认知衰退的个体化预测。其重要意义在于：

1. 1.
   验证了rsEEG的预测价值：研究证实，经过信息“富集”的rsEEG生物标志物，其预测准确率（在年长组达76.6%）与目前AD诊断研究框架(A-T-N)中的“金标准”生物标志物（sMRI和CSF）不相上下。这为rsEEG作为一种低成本、无创、易于重复的预后评估工具进入临床实践提供了强有力的证据。
2. 2.
   揭示了年龄的调节作用：研究发现预测模型在较年轻患者中效能稍逊，这并非模型缺陷，而是深刻反映了AD疾病本身的复杂性。它提示我们，早发性AD可能受到更复杂的遗传、环境和病理共病因素影响，未来的预测模型需要更精细地考虑这些亚组差异。
3. 3.
   展示了ML在神经病学中的应用前景：研究通过整合多种互补的ML算法，避免了单一模型的偏差，得到了更稳健、可泛化的预测结果。这种“群体智慧”策略为处理神经精神疾病中复杂、非线性的多模态数据提供了范例。
4. 4.
   指向了未来的临床应用方向：这项研究为开发基于rsEEG和临床信息的自动化预测工具奠定了基础。未来，结合更先进的深度学习算法和更大的多中心队列，有望构建出精准、实用的临床决策支持系统，帮助医生早期识别高风险患者，优化干预策略，实现AD的个性化管理。

总而言之，这项工作如同一座桥梁，将反映大脑实时功能状态的“电波”语言，通过人工智能的“翻译”，转化为了对患者未来认知轨迹的可靠“预言”。它不仅加深了我们对AD病理生理机制的理解，更朝着实现无创、精准的AD预后管理迈出了坚实的一步。