基于EEG与心理测量数据的阿尔茨海默病遗传风险早期识别新方法

《IEEE Journal of Biomedical and Health Informatics》：A Novel Approach for the Early Identification of Genetic Risk Factors for Alzheimer's Disease Using EEG and Psychometric Data

本研究针对阿尔茨海默病（AD）遗传检测成本高、可及性差的临床痛点，创新性地结合脑电图（EEG）记录与心理测量测试评分，开发了一种基于卷积神经网络（CNN）的遗传风险预测模型。该模型在区分APOE-ε4/PICALM GG非携带者（N）与APOE-ε4携带者伴PICALM风险等位基因（A+P+）的任务中取得了72.21%的F1分数。通过Grad-CAM可视化技术发现，EEG特征（尤其是theta频带和Higuchi分形维数HFD）对预测的贡献显著高于心理测量指标。研究证实了MINI-COPE（情绪应对策略评估）、加州言语学习测试（CVLT）和NEO神经质人格特质与AD高风险的相关性。该工作为开发低成本、易推广的AD早期遗传风险筛查工具提供了重要技术路径。

　　

阿尔茨海默病（Alzheimer’s Disease, AD）是一种进行性神经退行性疾病，其主要病理特征包括β-淀粉样蛋白（Aβ）沉积形成的老年斑和tau蛋白过度磷酸化形成的神经纤维缠结。这些病变导致记忆与执行功能受损，但目前临床常用的神经影像技术（如磁共振成像）难以实现早期诊断。遗传筛查虽能识别AD风险基因——如载脂蛋白E（APOE）基因的ε4等位基因（APOE-ε4）以及磷脂酰肌醇结合网格蛋白组装蛋白（PICALM）基因的rs3851179 GG风险变异——却因费用高昂、技术门槛高而难以普及。尤其在医疗资源匮乏地区，亟需发展低成本、易操作的早期风险评估工具。

脑电图（EEG）作为一项非侵入性、低成本且可广泛实施的神经电生理记录技术，为上述问题提供了可行解决方案。EEG能够捕捉大脑神经元电活动的细微变化，并可与心理测量测试相结合，共同反映个体的神经功能与认知状态。为此，Shyamal Y. Dharia等研究人员在《IEEE Journal of Biomedical and Health Informatics》上发表了一项创新研究，提出了一种基于EEG与心理测量数据的深度学习框架，用于预测AD相关遗传风险。

本研究利用波兰PEARL-Neuro数据库中健康中年人群（50–63岁）的静息态EEG（闭眼）数据以及多项心理测量指标（包括认知能力、情绪状态、人格特质等），构建了一个三分支遗传风险分类体系：无风险基因（N，即APOE-ε4/PICALM GG非携带者）、单风险基因（A+P–，即APOE-ε4携带者但无PICALM GG风险等位基因）以及双风险基因（A+P+，即APOE-ε4携带者且携带PICALM GG风险等位基因）。通过卷积神经网络（CNN）模型，作者不仅实现了高效的基因型分类，还借助梯度加权类激活映射（Grad-CAM）技术对模型决策过程进行可视化解释，揭示了EEG与心理测量特征在风险判别中的相对重要性。

在方法学上，作者首先对EEG信号进行预处理（包括滤波、降采样、ICA去噪），并提取了各频带（δ、θ、α、β、γ）的功率谱密度（PSD）与Higuchi分形维数（HFD）特征，形成每通道10维特征向量。心理测量数据（共38项）被复制到所有EEG通道，最终输入张量维度为127通道×48特征（10维EEG特征 + 38维心理测量特征）。所设计的CNN包含三个卷积块，每块由卷积层、平均池化层和Dropout层组成，最终接全连接层输出分类结果。模型优化采用AdamW优化器，激活函数为Sigmoid线性单元（SiLU），并通过留一被试交叉验证（LOSO-CV）评估性能。

模型性能分析

模型在三组二元分类任务中均取得显著效果。在区分无风险（N）与双风险（A+P+）个体的任务中表现最佳，被试水平F1分数达72.21%，样本水平为66.55%，AUC-ROC为0.70。相比之下，N与单风险（A+P–）的区分任务F1分数为60.77%，而A+P–与A+P+的区分任务为63.12%。置换检验结果显示所有任务的分类性能均显著优于随机水平（p < 0.05），证实模型有效捕捉了基因型与特征间的真实关联。

特征贡献可视化与显著性分析

通过Grad-CAM梯度分析发现，在N vs A+P+任务中，EEG特征的梯度显著高于心理测量特征（p < 0.01），说明EEG信息在区分极端风险群体时起主导作用。进一步对心理测量指标单独分析显示，MINI-COPE（应对策略量表）与CVLT（言语学习测试）在两组间梯度差异显著（p < 0.05），NEO神经质（NEO Neuroticism）亦呈现边缘显著（p < 0.06），且A+P+组别在这些指标上梯度更高，提示其心理特征更偏离正常范围。

EEG频带与复杂度特征的作用

从最终卷积层提取的特征显示，theta频带（4–8 Hz）的HFD与PSD特征在N与A+P+组间差异显著（p < 0.05）。地形图显示这些差异广泛分布于多数电极通道，与既往研究报告中高风险个体theta功率升高的现象一致。此外，HFD所代表的信号复杂度在区分高风险基因型中贡献突出，说明神经活动复杂性的改变可能是AD遗传风险的早期电生理标志。

消融实验验证特征重要性

消融研究表明，联合使用HFD、PSD与心理测量特征时模型性能最优（F1最高达72.2%）。若仅使用单一特征类型，HFD的表现优于PSD与心理测量数据，但仍低于全特征组合。特别是在A+P– vs A+P+任务中，仅靠HFD可达58.2%的F1分数，而加入PSD与心理测量数据后提升至65.1%，说明多模态特征具有互补性。

结论与意义

本研究成功构建了一种融合EEG与心理测量数据的深度学习框架，能够有效预测中年健康人群的AD遗传风险。其核心价值在于：

• •
  方法创新：首次在静息态EEG基础上结合心理测量指标，利用CNN与Grad-CAM实现高解释性的遗传风险分层；
• •
  临床可及性：所选技术（EEG、常规心理测评）成本低、操作简便，特别适合资源有限地区推广；
• •
  科学发现：明确theta频带活动与HFD复杂度是区分高风险人群的关键电生理指标，同时验证了MINI-COPE、CVLT与NEO神经质在AD风险评估中的实用性；
• •
  前瞻价值：为症状前阶段的AD风险筛查提供了新路径，有助于早期干预与个性化健康管理。

该研究不仅推动了EEG在遗传流行病学中的应用，也为AI辅助神经退行性疾病早期诊断奠定了方法学基础。未来工作可拓展至更多AD相关基因、引入纵向设计验证预测效度，并探索脑功能连接等进阶特征以进一步提升模型精度与泛化能力。