休息EEG中的基于PLI的连接是检测MCI和AD的强大和可泛化的特征:在多种多站点临床数据集上的验证

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 计算生物学 计算生物学

背景情况:

• 阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 构成了重大的公共卫生挑战.
• 脑电图 (EEG) 与机器学习相结合,显示出对AD/MCI诊断的前景.
• 以前的研究往往由于单中心数据收集而缺乏概括性.

研究的目的:

• 通过使用大型多中心数据集,重新评估基于EEG的机器学习对AD/MCI检测的有效性.
• 评估阶段滞后指数 (PLI) 的表现,作为AD/MCI分类的关键特征.
• 将PLI与其他EEG特征和诊断准确性的分类器进行比较.

主要方法:

• 收集了来自六家医院的150名参与者的静止状态EEG数据.
• 使用带有PLI特性的线性差异分析 (LDA) 分类器.
• 与其他常见的EEG特征和分类器进行PLI性能比较.
• 在训练组和独立测试组上使用离开-一个参与者-缺席交叉验证 (LOPO-CV) 验证了模型.

主要成果:

• 阶段滞后指数 (PLI) 与其他EEG特征相比,表现优越.
• 具有最佳PLI特性的LDA分类器在训练集上实现了82.50%的LOPO-CV精度.
• 该模型在独立测试组中保持了75.00%的准确性,表明了良好的通用性.
• 基于PLI的功能连接成为AD/MCI检测的强有力的指标.

结论:

• 基于PLI的功能连接是检测AD/MCI在现实临床环境中的可靠生物标志物.
• 多中心验证提高了基于EEG的机器学习模型用于神经障碍诊断的普遍性.
• 这种方法提供了一个有希望的,非侵入性的方法,以帮助早期检测AD/MCI.