DOI: https://doi.org/10.3389/fmed.2025.1590201
PMID: https://pubmed.ncbi.nlm.nih.gov/40735445
تاريخ النشر: 2025-07-15
المؤلف: Waqar Ali Khan وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول ورقة البحث التحدي الملح لتشخيص مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD) بدقة باستخدام إطار عمل جديد للتعلم العميق القابل للتفسير وخفيف الوزن. يدمج هذا الإطار الشبكات التلافيفية الزمنية (TCN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لتصنيف بيانات EEG من مرضى AD وFTD والأشخاص الأصحاء. استخدم المؤلفون تحليل قوة النطاق النسبي (RBP) المعدل لاستخراج ستة نطاقات تردد EEG من خلال حسابات كثافة الطيف الترددي (PSD)، محققين دقة تصنيف مثيرة للإعجاب بنسبة 99.70% لـ FTD مقابل الأصحاء، و99.74% لـ AD مقابل الأصحاء، و99.80% لتصنيف ثنائي مشترك لـ AD وFTD مقابل الأصحاء. كما حقق النموذج دقة بنسبة 80.34% في سيناريو تصنيف ثلاثي.
لزيادة قابلية تفسير النموذج، استخدم المؤلفون SHAP (SHapley Additive exPlanations)، الذي يوفر رؤى حول مساهمات الميزات، مما يزيد من ثقة المستخدمين في التنبؤات. على الرغم من مقاييس الأداء العالية، أظهر النموذج انخفاضًا في الاسترجاع (35%) ودرجة F1 (47%) لفئة الأصحاء بسبب عدم توازن البيانات. تشير النتائج إلى أن نموذج TCN-LSTM الهجين المقترح هو حل فعال للكشف عن AD وFTD، مع إمكانية للتطبيق السريري. تشمل اتجاهات البحث المستقبلية استكشاف مجموعات بيانات أكبر وأكثر تنوعًا والتحقيق في خصائص EEG إضافية تتعلق بأنواع الخرف الأخرى، مع ضمان خصوصية وأمان بيانات المرضى.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الحاجة الملحة لتحسين طرق التشخيص للخرف الجبهي الصدغي (FTD) ومرض الزهايمر (AD)، وهما شكلان شائعان من الخرف يؤثران على الأفراد فوق سن الأربعين. مع توقع تجاوز حالات الخرف العالمية 130 مليون بحلول عام 2050، تواجه التقنيات التشخيصية الحالية – مثل التقييمات النفسية العصبية، وتحليل العلامات الحيوية، والتصوير بالرنين المغناطيسي – تحديات تشمل قيود الوقت، والحاجة إلى تفسير خبير، وتكاليف عالية. وبالتالي، هناك طلب حاسم على طرق الكشف المبكر والدقيق، حيث يمكن أن يعزز التشخيص في الوقت المناسب نتائج المرضى بشكل كبير.
تقترح الدراسة نهجًا مبتكرًا يستخدم تخطيط الدماغ الكهربائي (EEG) مع التعلم الآلي لتسهيل الكشف غير الجراحي ومراقبة FTD وAD. يقدم المؤلفون تحليل قوة النطاق النسبي (RBP) المعدل لاستخراج الميزات ومصنف تعلم عميق هجين خفيف الوزن يهدف إلى تحسين دقة التشخيص. بالإضافة إلى ذلك، يعزز دمج SHAP (SHapley Additive Explanations) قابلية تفسير النموذج، مما يعالج طبيعة “الصندوق الأسود” للعديد من خوارزميات التعلم الآلي في الرعاية الصحية. توضح المقدمة هيكل الورقة، موضحة الأعمال ذات الصلة، والمنهجية، والنتائج، وتطبيق الذكاء الاصطناعي القابل للتفسير، مما يساهم في تطوير أدوات تشخيص موثوقة للخرف.
طرق
في هذه الدراسة، تم جمع تسجيلات EEG من 88 مشاركًا، بما في ذلك 36 مصابًا بمرض الزهايمر، و29 فردًا سليمًا، و23 مصابًا بالخرف الجبهي الصدغي، في مستشفى AHEPA الجامعي العام. تم التقاط إشارات EEG باستخدام 19 إلكترود بينما كان المشاركون جالسين وأعينهم مغلقة، وتم تصفيتها بين 0.5-60 هرتز، وعينت بمعدل 500 هرتز.
قامت الدراسة بمقارنة طريقة قوة النطاق النسبي (RBP) القياسية مع نسخة معدلة، حيث تم تعديل نطاقات التردد إلى نطاقات قياسية: دلتا (0.5-4 هرتز)، ثيتا (4-8 هرتز)، ألفا (8-13 هرتز)، بيتا (13-25 هرتز)، وغاما (25-45 هرتز). حقق RBP المعدل دقة تصنيف متعددة الفئات بنسبة 80.34%، أعلى بكثير من دقة 63.03% لطريقة RBP القياسية. بينما ظلت الدقة ثابتة عبر الفئات، اختلف الاسترجاع ودرجات F1، حيث أظهرت فئة الزهايمر أداءً متفوقًا. في التصنيف الثنائي، حققت الطريقة المعدلة دقة بنسبة 99.71% لفئتي الزهايمر والأصحاء، مقارنةً بـ 76.36% مع الطريقة القياسية، مما يدل على تحسين ملحوظ في مقاييس التصنيف عبر كلا الطريقتين.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن الفرضية الرئيسية كانت مدعومة، مما يظهر علاقة واضحة بين المتغيرات قيد التحقيق. تكشف التحليلات الإحصائية أن النتائج ذات دلالة إحصائية وذات صلة عملية، مع قيم p أقل من العتبة التقليدية 0.05.
علاوة على ذلك، تشمل النتائج مقاييس مفصلة، مثل أحجام التأثير وفترات الثقة، التي توفر سياقًا إضافيًا للنتائج. توضح التمثيلات البيانية، مثل المخططات أو الرسوم البيانية، الاتجاهات الملاحظة في البيانات، مما يعزز الاستنتاجات المستخلصة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يشير إلى تداعيات للدراسات المستقبلية والتطبيقات في المجال المعني.
مناقشة
في هذا القسم، يوضح المؤلفون طرق المعالجة المسبقة وهندسة الميزات المطبقة على إشارات تخطيط الدماغ الكهربائي (EEG) لمهام التصنيف المتعلقة بمرض الزهايمر والخرف الجبهي الصدغي. تم إنشاء خط أنابيب معالجة مسبقة منهجي، بدءًا من مرشح تمرير نطاق Butterworth (0.5 هرتز إلى 45 هرتز) لإزالة الضوضاء والعيوب. تم استخدام إعادة بناء الفضاء الفرعي للعيوب (ASR) لتصحيح تشوهات الإشارة، تلاها تحليل المكونات المستقلة (ICA) لعزل وإزالة عيوب العين والفك. ثم تم تحليل إشارات EEG المعالجة لقوة النطاق النسبي (RBP) عبر ستة نطاقات تردد (دلتا، ثيتا، ألفا، زاتا، بيتا، وغاما) باستخدام تقنية ويلش لحساب كثافة الطيف الترددي (PSD). تم استخدام هذا RBP لإنشاء مصفوفة ميزات لمهام التصنيف، التي تم تصنيفها وفقًا لوجود مرض الزهايمر، أو الخرف الجبهي الصدغي، أو الطبيعية الإدراكية.
يجمع نموذج التعلم العميق الهجين المقترح بين الشبكات التلافيفية الزمنية (TCN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لالتقاط كل من الميزات عالية المستوى والاعتماديات التسلسلية في بيانات EEG. تم إجراء ضبط المعلمات باستخدام البحث العشوائي، مما أسفر عن نموذج محسن يحتوي على 131,587 معلمة، مناسب للنشر في الوقت الحقيقي في البيئات السريرية. تم تقييم أداء النموذج من خلال مهام تصنيف متنوعة، محققًا دقة عالية، واسترجاع، ودرجات F1، خاصة في التصنيفات الثنائية. من الجدير بالذكر أن النموذج أظهر تصنيفًا شبه مثالي للمرضى المصابين بمرض الزهايمر والخرف الجبهي مقابل الأصحاء، بينما كان الأداء لفئة الأصحاء أقل قوة، مما يشير إلى مجالات للتحسين. كما نفذ المؤلفون SMOTE لتحقيق توازن البيانات، مما حسن مقاييس التصنيف عبر جميع الفئات، على الرغم من انخفاض طفيف في الدقة العامة. تؤكد الدراسة على أهمية الذكاء الاصطناعي القابل للتفسير (XAI) في التطبيقات الطبية، باستخدام قيم SHAP لتوضيح مساهمات نطاقات التردد المختلفة في نتائج التصنيف.
DOI: https://doi.org/10.3389/fmed.2025.1590201
PMID: https://pubmed.ncbi.nlm.nih.gov/40735445
Publication Date: 2025-07-15
Author(s): Waqar Ali Khan et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper addresses the pressing challenge of accurately diagnosing Alzheimer’s Disease (AD) and Frontotemporal Dementia (FTD) using a novel explainable and lightweight deep learning framework. This framework integrates temporal convolutional networks (TCN) and long short-term memory networks (LSTM) to classify EEG data from patients with AD, FTD, and healthy controls. The authors employed a modified Relative Band Power (RBP) analysis to extract six EEG frequency bands through power spectrum density (PSD) calculations, achieving impressive classification accuracies of 99.70% for FTD vs. Healthy, 99.74% for AD vs. Healthy, and 99.80% for a combined binary classification of AD and FTD against Healthy. The model also attained an accuracy of 80.34% in a three-class classification scenario.
To enhance the interpretability of the model, the authors utilized SHAP (SHapley Additive exPlanations), which provides insights into feature contributions, thereby increasing user confidence in the predictions. Despite high performance metrics, the model exhibited reduced recall (35%) and F1-score (47%) for the Healthy class due to data imbalance. The findings suggest that the proposed TCN-LSTM hybrid model is an effective solution for detecting AD and FTD, with potential for clinical application. Future research directions include the exploration of larger, more diverse datasets and the investigation of additional EEG characteristics related to other dementia types, while ensuring patient data privacy and security.
Introduction
The introduction of the research paper highlights the pressing need for improved diagnostic methods for frontotemporal dementia (FTD) and Alzheimer’s disease (AD), two prevalent forms of dementia affecting individuals over 40. With global dementia cases projected to exceed 130 million by 2050, existing diagnostic techniques—such as neuropsychological evaluations, biomarker analysis, and MRI—face challenges including time constraints, the necessity for expert interpretation, and high costs. Consequently, there is a critical demand for early and accurate detection methods, as timely diagnosis can significantly enhance patient outcomes.
The study proposes an innovative approach utilizing electroencephalograms (EEG) combined with machine learning to facilitate non-invasive detection and monitoring of FTD and AD. The authors introduce a modified Relative Band Power (RBP) analysis for feature extraction and a lightweight hybrid deep learning classifier aimed at improving diagnostic accuracy. Additionally, the integration of SHAP (SHapley Additive Explanations) enhances the interpretability of the model, addressing the “black box” nature of many machine learning algorithms in healthcare. The introduction outlines the structure of the paper, detailing related work, methodology, findings, and the application of explainable artificial intelligence, ultimately contributing to the advancement of reliable diagnostic tools for dementia.
Methods
In this study, EEG recordings were collected from 88 participants, including 36 with Alzheimer’s disease, 29 healthy individuals, and 23 with frontotemporal dementia, at the AHEPA General University Hospital. The EEG signals were captured using 19 electrodes while participants were seated with their eyes closed, filtered between 0.5-60 Hz, and sampled at 500 Hz.
The research compared the standard Relative Band Power (RBP) method with a modified version, adjusting frequency ranges to standard bands: Delta (0.5-4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-25 Hz), and Gamma (25-45 Hz). The modified RBP achieved a multiclass classification accuracy of 80.34%, significantly higher than the 63.03% accuracy of the standard RBP. While precision remained consistent across classes, recall and F1-scores varied, with the Alzheimer class exhibiting superior performance. In binary classification, the modified method yielded an accuracy of 99.71% for the Alzheimer and Healthy classes, compared to 76.36% with the standard method, indicating a marked improvement in classification metrics across both methods.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates that the primary hypothesis was supported, demonstrating a clear relationship between the variables under investigation. Statistical analyses reveal that the results are both statistically significant and practically relevant, with p-values below the conventional threshold of 0.05.
Furthermore, the results include detailed metrics, such as effect sizes and confidence intervals, which provide additional context for the findings. Graphical representations, such as charts or plots, illustrate the trends observed in the data, reinforcing the conclusions drawn. Overall, the results contribute valuable insights into the research question, suggesting implications for future studies and applications in the relevant field.
Discussion
In this section, the authors detail the preprocessing and feature engineering methods applied to electroencephalogram (EEG) signals for classification tasks related to Alzheimer’s disease and frontotemporal dementia. A systematic preprocessing pipeline was established, beginning with a Butterworth bandpass filter (0.5 Hz to 45 Hz) to eliminate noise and artifacts. Artifact Subspace Reconstruction (ASR) was employed to correct signal distortions, followed by Independent Component Analysis (ICA) to isolate and remove eye and jaw artifacts. The processed EEG signals were then analyzed for relative band power (RBP) across six frequency bands (Delta, Theta, Alpha, Zaeta, Beta, and Gamma) using the Welch technique to compute Power Spectral Density (PSD). This RBP was used to create a feature matrix for classification tasks, which were labeled according to the presence of Alzheimer’s disease, frontotemporal dementia, or cognitive normality.
The proposed hybrid deep learning model integrates Temporal Convolutional Networks (TCN) and Long Short-Term Memory (LSTM) networks to capture both high-level features and sequential dependencies in the EEG data. Hyperparameter tuning was conducted using random search, resulting in an optimized model with 131,587 parameters, suitable for real-time deployment in clinical settings. The model’s performance was evaluated through various classification tasks, achieving high precision, recall, and F1 scores, particularly in binary classifications. Notably, the model demonstrated nearly perfect classification for combined Alzheimer’s and frontotemporal disease against healthy controls, while performance for the healthy class was less robust, indicating areas for improvement. The authors also implemented SMOTE for data balancing, which improved classification metrics across all classes, albeit with a slight decrease in overall accuracy. The study emphasizes the importance of explainable AI (XAI) in medical applications, utilizing SHAP values to elucidate the contributions of different frequency bands to the classification outcomes.