基于深度学习的痴呆分类新突破：利用皮质下信号图像实现精准诊断

研究人员针对痴呆早期诊断难题，开展基于深度学习的痴呆分类研究，用皮质下信号图像，在两个数据集上取得高准确率，为早期诊断带来希望。

　　痴呆，这个听起来就令人心生畏惧的病症，正悄然在全球范围内蔓延。随着人口老龄化加剧，预计到 2050 年，全球痴呆患者数量将翻倍。其中，阿尔茨海默病（Alzheimer’s disease，AD）最为常见，而额颞叶痴呆（Frontotemporal dementia，FTD）也不容小觑。痴呆患者的大脑就像一座逐渐陷入混乱的城市，神经细胞不断退化，大脑各区域之间的 “通讯” 也被打乱，进而严重影响认知、行为和日常生活能力。

在痴呆的诊断之路上，布满了荆棘。早期的 AD 和 FTD 症状极为相似，就像一对难以分辨的双胞胎，现有的诊断方法难以准确区分。主流的早期诊断依赖于 β - 淀粉样蛋白和 tau 蛋白正电子发射断层扫描（PET）神经成像等病理生物标志物，但这些方法不仅成本高昂，而且对患者的耐受性要求较高，在实际应用中受到诸多限制。常用的筛查工具，如临床痴呆评定量表（Clinical Dementia Rating，CDR）、简易精神状态检查表（MiniMental State Exam，MMSE）、蒙特利尔认知评估量表（Montreal Cognitive Assessment，MoCA）等，也存在耗时久、依赖主观判断、受教育水平和病前智力影响大以及早期敏感度低等问题。因此，寻找一种高效、准确的早期诊断方法迫在眉睫。

为了攻克这一难题，印度理工学院德里分校等机构的研究人员开展了一项基于深度学习的痴呆分类研究。该研究成果发表在《BMC Medical Informatics and Decision Making》上。

研究人员采用了多种关键技术方法。在数据收集方面，使用了两个高 - 密度脑电图（Electroencephalogram，EEG）数据集，一个是公开的 BrainLat 数据集，另一个是内部收集的 IITD - AIIA 数据集。在数据处理过程中，运用标准化低分辨率脑电磁断层扫描（sLORETA）技术提取大脑深部区域（海马体、杏仁核和丘脑）的侦察时间序列信号。然后，通过连续小波变换（Continuous Wavelet Transform，CWT）将时间序列转换为图像表示，再将图像输入到多种深度学习模型中进行分类。

研究结果主要如下：

• 不同模型和分类策略的效果：研究人员尝试了多种深度学习模型，如 Xception、ResNet、InceptionResNet、MobileNet、NASNetMobile、EfficientNet 和 DenseNet 等，并采用了不同的分类策略，包括左右脑区域单独预测、后验概率的和与积、早期融合和张量融合网络等。结果发现，在大多数模型架构中，使用后验概率的乘积这一分类策略能获得最佳的分类准确率。
• 最佳模型的表现：在这些模型中，DenseNet201 表现最为出色。在 BrainLat 数据集上，结合后验概率乘积的方法，其分类准确率达到了 94.17%；在 IITD - AIIA 数据集上，准确率为 77.72%。
• 数据集差异的影响：研究还发现，IITD - AIIA 数据集的分类准确率低于 BrainLat 数据集。这主要是因为 IITD - AIIA 数据集用于训练的样本数量较少，且其基于较少的 EEG 传感器进行皮质下源定位，导致定位不够准确，进而影响了模型的分类效果。

在研究结论与讨论部分，该研究表明基于图像表示的深度学习方法具有区分痴呆不同阶段的潜力。通过聚焦于大脑皮质下区域（这些区域是神经退行性变最早发生的部位之一），该方法有助于实现早期诊断，这对于及时治疗和管理痴呆至关重要。同时，研究还发现皮质下区域在神经退行性疾病的进展和分类中起着关键作用，DenseNet201 能够利用皮质下动力学和其分层特征学习能力，准确地对神经退行性疾病进行分类。然而，该研究也存在一定的局限性，如数据集的样本量较小，依赖高 - 密度 EEG 记录，且数据集地理局限性可能影响结果对其他人群的普适性。

总的来说，这项研究为痴呆的早期诊断开辟了新的道路，建立了一个有前景的研究基线。尽管还有一些问题需要解决，但它为未来利用皮质下 EEG 信号的图像表示进行痴呆分类的研究指明了方向，有望推动痴呆诊断领域的进一步发展，让更多患者能够受益于早期诊断和治疗。