与任务相关的EEG作为临床前阿尔茨海默病的生物标志物:一种可解释的深度学习方法

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在认知健康的个体中早期发现阿尔茨海默病 (AD) 是一个重要的临床前挑战.
• 电脑电图 (EEG) 显示出用于检测AD风险的前景,但与任务相关的EEG研究不如静止状态EEG那么普遍.
• 可解释深度学习为在复杂的神经生理学数据中识别与AD相关的微妙模式提供了一条途径.

研究的目的:

• 调查与任务相关的EEG在识别早期阿尔茨海默病风险标志中的有用性,在认知健康的个体中.
• 应用一个可解释的深度学习框架,可解释卷积神经网络 (InterpretableCNN),用于AD风险特征识别.
• 通过可解释的AI,提高基于EEG的AD风险评估的透明度.

主要方法:

• 在三个不同的认知任务条件下从参与者那里收集了EEG数据.
• 样本根据阿尔茨海默病风险因素进行分类,包括APOE基因型和多基因风险得分.
• 使用100倍的离开率%受试者排除交叉验证 (LPSO-CV) 来评估模型性能和通用性.
• 可解释CNN模型被用于分析EEG特征并确定与AD风险相关的模式.

主要成果:

• 可解释CNN模型实现ROC AUC为60.84%和卡帕值为0.22,表明在识别AD风险方面达成公平协议.
• 模型的解释始终强调和脑波活动在和部区域作为关键指标.
• 这些已识别的大脑区域和活动模式与已知受阿尔茨海默病病理学影响的区域保持一致.

结论:

• 与任务相关的EEG,当使用可解释的深度学习进行分析时,可以有效地揭示健康个体早期阿尔茨海默病风险标志.
• 可解释CNN框架在识别关键EEG特征方面提供了透明度,使其成为临床前AD查的宝贵工具.
• 这种方法为早期检测和阿尔茨海默病风险评估提供了一个有希望的非侵入性方法.