经PET验证的EEG机器学习算法预测了痴呆前阿尔茨海默病的大脑粉样蛋白病理

科学领域:

• 神经科学是一个神经科学.
• 生物标志物开发 生物标志物开发
• 机器学习在医学中的应用

背景情况:

• 可靠的生物标志物对于阿尔茨海默病 (AD) 查和进展监测至关重要.
• 电脑电图 (EEG) 提供非侵入性脑活动测量,但由于噪音和解释困难,在临床应用中面临挑战.
• 之前的机器学习 (ML) 用EEG用于AD检测的应用程序显示对粉样蛋白PET扫描的准确性和验证性有限.

研究的目的:

• 开发和验证EEG-ML算法,用于检测主观认知衰退 (SCD) 或轻度认知障碍 (MCI) 患者的脑粉样蛋白 (Aβ) 病理.
• 用Aβ-PET扫描作为黄金标准来评估开发的算法的诊断性能.
• 探索定量EEG (QEEG) 作为一种可访问和具有成本效益的生物标志物用于早期AD检测的潜力.

主要方法:

• 从311名受试者 (SCD和MCI) 收集了休息状态的19通道EEG和Aβ-PET数据.
• 使用了235个EEG数据集用于ML模型培训和76个用于验证.
• 根据年龄和性别标准化了EEG特征,使用统计分析选择了特征集,并训练了8个ML模型. 配对t测试确定了粉样蛋白阳性和阴性组之间的统计学上显著特征.

主要成果:

• 最好的EEG-ML模型表现出高性能:90.9%的灵敏度,76.7%的特异性和82.9%的准确性在组合MCI+SCD组中.
• 仅对SCD (92.3%的灵敏度,75.0%的特异性,81.1%的准确性) 和仅对MCI (90%的灵敏度,78.9%的特异性,84.6%的准确性) 的子组也报告了特定的准确率.
• 观察到EEG功率的一致趋势,包括在粉样蛋白阳性个体与粉样蛋白阴性个体相比,以及在MCI患者中与SCD患者相比,额头粉样蛋白增强和中粉样蛋白活性减弱.

结论:

• 仅使用定量EEG (QEEG) 才能实现大脑粉样蛋白积累的准确分类,将QEEG定位为β-粉样蛋白的有希望的生物标志物.
• 与粉样PET相比,基于QEEG的生物标志物在可访问性,成本效益和安全性方面具有优势,可能在AD诊断和治疗中发挥关键作用.
• 特定的QEEG模式可以预测阿尔茨海默病临床前阶段的未来认知衰退,这需要进一步的研究和更大数据集的验证.