《BioMedInformatics》:A Comparative Study of EEG-Based Nonlinear Effective Connectivity for Classifying Alzheimer’s Disease and Frontotemporal Dementia
编辑推荐:
背景:阿尔茨海默病(Alzheimer’s disease, AD)和额颞叶痴呆(frontotemporal dementia, FTD)是进行性神经退行性疾病,影响全球超过1亿人口。有效连接(effective connectivity, EC)量化了大脑
背景:阿尔茨海默病(Alzheimer’s disease, AD)和额颞叶痴呆(frontotemporal dementia, FTD)是进行性神经退行性疾病,影响全球超过1亿人口。有效连接(effective connectivity, EC)量化了大脑区域之间的定向影响,为揭示受损的神经环路动力学提供了洞见。本研究旨在识别AD和FTD的神经生理学生物标志物,并阐明将其与认知正常(cognitively normal, CN)对照区分开的机制。研究人员分析了来自88名受试者(36名AD、23名FTD、29名CN)的事件相关脑电图(event-related EEG)信号。方法:从三种有效连接测量指标——相位斜率指数(phase slope index, PSI)、传递熵(transfer entropy, TE)和受动态因果模型启发的线性状态空间模型(linear state-space model, LSS)——中,跨五个频带提取节点级图论特征。结果:分类性能在δ频带和β频带中最强,其中超链接诱导主题搜索(hyperlink-induced topic search, HITS)权威度和特征向量中心度分别成为最具判别力的特征。使用LSS在δ频带中的HITS权威度特征进行的二次判别分析表现最佳,达到了74.1%的准确率、76.4%的精确率、74.1%的召回率、74.3%的F1分数和0.82的曲线下面积(area under the curve, AUC)。结论:这些初步发现表明,改变的非线性有效连接可能与AD和FTD的病理生理学相关,并突显了基于EEG的图论特征作为诊断决策支持研究的一个有前景的方向,但有待在更大规模的独立队列中进行验证。
研究背景与问题
阿尔茨海默病(Alzheimer’s disease, AD)和额颞叶痴呆(frontotemporal dementia, FTD)是两种主要的进行性神经退行性疾病,全球约有5700万痴呆患者,每年新增1000万病例。AD占所有痴呆病例的60-80%,主要表现为记忆和认知功能损害;FTD约占20%,早期表现为人格、行为、语言和认知的改变。由于两者的临床症状存在重叠,尤其在疾病早期阶段症状模糊时,临床鉴别诊断高度依赖主观判断,极易导致误诊或延迟诊断。尽管磁共振成像(magnetic resonance imaging, MRI)和正电子发射断层扫描(positron emission tomography, PET)等神经影像技术能提供结构性和功能性信息,但成本高、侵入性强、可及性有限,且MRI对早期和鉴别诊断敏感性较低。神经心理学测试虽有助于评估认知缺陷,但AD与FTD特征的异质性和重叠性使区分极为困难。因此,亟需开发自动化、客观、早期且经济的生物标志物来辅助鉴别诊断。
脑电图(electroencephalography, EEG)作为一种无创、经济的技术,具有高时间分辨率,能够捕捉毫秒级的神经活动变化。然而,现有研究多集中于传统EEG特征如相对频带功率和谱功率,以及线性连接指标,这些方法难以充分捕捉神经退行性疾病病理生理中固有的复杂非线性破坏。功能连接(functional connectivity, FC)虽被广泛用于研究AD和FTD,但其本质是无向的,仅反映统计关联而非因果交互。有效连接(effective connectivity, EC)则能量化一个脑区对另一个脑区的直接因果影响,提供更深入的方向性信息。现有的非线性EC方法如相位斜率指数(phase slope index, PSI)已被用于区分AD患者与健康对照,但大多数研究局限于将单一神经退行性疾病亚型与健康对照进行二元区分,缺乏对AD和FTD同时进行三分类鉴别的研究。
研究方法概述
本研究使用了Ntetska等人公开发布的OpenNeuro.org数据集,包含88名受试者的EEG记录,其中36名AD、23名FTD和29名认知正常(cognitively normal, CN)对照。EEG数据在睁眼光刺激范式下采集,使用19个头皮电极,采样率500Hz。预处理包括:重参考至乳突电极平均、0.5-45Hz巴特沃斯带通滤波、伪影子空间重建(artefact subspace reconstruction, ASR)校正、独立成分分析(independent component analysis, ICA)去除眼动和下颌伪影,以及提取4秒固定长度的事件相关电位(event-related potential, ERP)时段。随后将信号分解为五个传统频带:delta(0-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)和gamma(30-45Hz)。
关键技术方法包括三种非线性有效连接度量:PSI,利用复值相干性的相位关系量化方向性信息传递;传递熵(transfer entropy, TE),一种无模型的、基于信息论的度量,量化信号间的定向信息流;以及受动态因果模型(dynamic causal modelling, DCM)启发的线性状态空间模型(linear state-space model, LSS),通过普通最小二乘法拟合一阶线性状态空间模型到头皮EEG信号,估计定向耦合矩阵。从每种连接矩阵中提取六种节点级图论特征:节点强度、净流量、节点度、聚类系数、特征向量中心度和超链接诱导主题搜索(HITS)中心度(分为权威度和枢纽度)。分类模型使用MATLAB分类学习器工具箱,包括二次判别分析、加权K近邻、高效逻辑回归、集成学习方法和神经网络,采用五折交叉验证评估性能。
研究结果
PSI结果:在PSI方法中,最佳分类性能出现在β频带,使用驱动节点连接矩阵计算的特征向量中心度,达到73.1%准确率、74.0%精确率、73.0%召回率、73.0%F1分数和0.80的AUC。
TE结果:在TE方法中,最佳性能出现在θ频带和β频带。θ频带中使用HITS枢纽中心度,β频带中使用驱动节点连接矩阵的特征向量中心度,两者均达到67.6%准确率。
LSS结果:在LSS方法中,最佳分类性能出现在δ频带和β频带。δ频带中使用HITS权威度特征,采用二次判别分析,达到74.1%准确率、76.4%精确率、74.1%召回率、74.3%F1分数和0.82的AUC。β频带中使用总度特征,达到71.3%准确率、72.0%精确率、71.3%召回率、71.2%F1分数和0.85的AUC。整体最佳模型的混淆矩阵显示了三组间正确分类和错误分类的分布。
讨论与结论
本研究的创新之处在于同时使用三种非线性有效连接方法(PSI、TE和LSS)以及从中提取的图论节点特征,对AD、FTD和CN对照进行三分类鉴别。结果显示,δ频带对三类区分贡献最大,这与δ振荡在注意力、奖励预测和动机处理中的功能意义一致,而这些功能在AD和FTD中均受损。β频带也被确定为重要的判别频带,与既往报道的AD中β功率衰减和β频带功能连接中断相符。
对于PSI,特征向量中心度是最具判别力的特征,可能反映了AD和FTD中脑网络层级组织的系统性破坏,这与神经退行性疾病的失连接假说一致。对于TE,HITS枢纽中心度和特征向量中心度最具判别力,但分类性能相对有限,准确率未超过67.6%,可能归因于TE对信号长度和估计参数的敏感性。对于LSS,HITS权威度和总度最具判别力,其中总度可能部分反映了神经退行性病理中广泛的突触丢失,而HITS权威度识别接收来自其他重要区域的定向输入的节点,这类节点的破坏被认为是神经退行性疾病的标志。
比较三种方法,PSI和LSS在点估计分类性能上持续优于TE,这可能源于LSS和PSI提供的连接估计比纯数据驱动的TE更稳定、更鲁棒且更具神经生物学可解释性。PSI的优势还在于其对容积传导和零延迟场扩散的相对鲁棒性,而LSS直接在头皮水平拟合简化模型,可能受容积传导混淆。
研究人员指出,本研究存在若干局限性:数据集规模较小且分布不均(n=88;36 AD, 23 FTD, 29 CN),增加了过拟合风险;报告的是点估计指标,未附带置信区间或置换检验;未进行嵌套交叉验证;未来需扩大样本量、进行外部验证、纳入纵向数据、分析通道特异性贡献,并探索深度学习架构。
研究结论:本研究探讨了事件相关非线性有效连接特征与AD、FTD和CN对照自动分类之间的关系。研究人员从三种有效连接度量——PSI、TE和LSS——中估计了节点图论特征,并将其用于机器学习框架中以评估其判别能力。分类分析显示,来自δ频带和β频带的连接特征展现出最有前景的预测性能,其中PSI和LSS在各项分类任务中持续优于TE。虽然结果展示了令人鼓舞的分类性能,但也强调了进一步方法学优化和数据集扩展的必要性。鉴于在单一有限规模数据集上取得的适度分类准确率,这些发现应被视为初步的和假设生成的,而非确立了所提议连接特征的临床效用或诊断适用性;在提出任何转化或临床主张之前,需要进行实质性的进一步验证。未来的研究应优先增加样本量以增强统计稳健性和在不同临床人群中的泛化能力。此外,整合纵向数据、通道特异性贡献分析、神经退行性变自动分期以及先进的深度学习架构,代表了后续研究的一个有价值的方向。