以数据驱动的方式检索人口层面的EEG特征及其在神经退行性疾病中的作用
Wentao Li1,2, Yogatheesan Varatharajah1,3,4, Ellen Dicks1
1Department of Neurology, Mayo Clinic, Rochester, MN 55905, USA.
Brain communications
|August 1, 2024
概括
一种新的数据驱动方法使用脑电图 (EEG) 识别神经退行性疾病,如阿尔茨海默氏症. 这种方法提取关键的大脑活动模式,改善诊断和区分疾病类型.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 生物医学工程 生物医学工程
背景情况:
- 神经退行性疾病中的电生理学障碍可以通过头皮EEG检测到.
- 传统的EEG分析方法有局限性,包括偏差和先验特征选择.
- 改进的EEG分析可以提高认知障碍的诊断和管理.
研究的目的:
- 提出一个数据驱动的张量分解方法,用于提取光谱和空间EEG特征.
- 评估这些特征在区分神经退行性疾病亚型中的有用性.
- 为了将EEG特征与疾病严重程度的临床和生物标志物测量相关联.
主要方法:
- 应用了张量分解对11,001名患者的12,176个头皮脑电图研究.
- 提取了代表大脑活动的前六个光谱和空间EEG因子.
- 使用纯粹的贝叶斯分类来区分轻度认知障碍,阿尔茨海默病痴呆症,利维体痴呆症和对照.
- 评估了EEG因子和认知评分,FDG-PET吸收和CSF生物标志物之间的相关性.
主要成果:
- 提取的六个因素代表了生物学上有意义的脑活动,比如后部α节奏.
- 这些因素使患者与对照者区分开来 (AUC 0.59-0.91) 和AD痴呆与LBD痴呆 (AUC 0.61).
- 脑电图特征与认知表现,PET代谢和CSF阿尔茨海默病生物标志物相关.
结论:
- 数据驱动的张量分解可以提取有意义的EEG特征,而无需手动选择或文物拒绝.
- 这种方法显示了改善EEG在早期诊断和差异诊断的记忆护理中的临床实用性的潜力.
- 进一步开发可以通过常规EEG来加强神经退行性疾病的识别和区分.
