DOI: https://doi.org/10.1038/s41598-026-35316-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41513739
تاريخ النشر: 2026-01-09
المؤلف: Tjaša Mlinarič وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تستكشف هذه الدراسة إمكانية الاتصال الوظيفي لتخطيط الدماغ الكهربائي في حالة الراحة للتفريق بين مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD) والأشخاص الأصحاء (HC). باستخدام مجموعة بيانات متاحة للجمهور، قام الباحثون باستخراج مقاييس الاتصال المختلفة عبر نطاقات تردد مختلفة وطبقوا نهج التعلم التجميعي المكدس للتصنيف. تم تطوير مصنفات أساسية باستخدام المسافة الجيوديسية الأدنى لفشر (FgMDM) مع مقاييس المسافة الإقليدية أو الريمانية، وتم تدريب مصنف ميتا على التنبؤات من هذه المصنفات الأساسية.
أشارت النتائج إلى أن النموذج المكدس حقق قيم منطقة تحت منحنى خصائص التشغيل المستقبلية (ROC-AUC) بلغت 81.80% للتفريق بين AD و HC و 71.36% للتفريق بين FTD و HC، باستخدام طريقة التحقق المتبادل بترك موضوع واحد. ومن الجدير بالذكر أن هذه القيم كانت أقل من تلك التي تم الحصول عليها من أفضل المصنفات الأساسية الفردية، والتي حققت قيم ROC-AUC تبلغ 85% أو أكثر لعدة مقاييس اتصال. وهذا يشير إلى أنه بينما يمكن أن تكون طرق التجميع فعالة، قد توفر مقاييس الاتصال الفردية تمييزًا أفضل بين هذه الأنواع من الخرف والأفراد الأصحاء.
مقدمة
تناقش مقدمة ورقة البحث التحديات التي يطرحها مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD)، وهما شكلان شائعان من الخرف يظهران أعراضًا متداخلة وتنوعًا كبيرًا بين الأفراد في العرض. يمثل مرض الزهايمر 60-80% من حالات الخرف ويتميز بشكل أساسي بمشاكل في الذاكرة والتواصل، بينما يؤثر الخرف الجبهي الصدغي، الذي يؤثر على ما يصل إلى 10% من الأفراد دون سن 65، بتغيرات في الشخصية والسلوك. يتم التأكيد على الحاجة إلى مؤشرات حيوية موثوقة لتعزيز دقة التشخيص، خاصة في المراحل المبكرة عندما يمكن أن تكون التدخلات أكثر فعالية. يتم تسليط الضوء على تخطيط الدماغ الكهربائي (EEG) كأداة واعدة نظرًا لطبيعتها غير الغازية وقدرتها على التقاط النشاط الكهربائي للدماغ، مما يكشف عن أنماط مميزة بين AD و FTD.
تستعرض الورقة أيضًا الدراسات الحديثة التي تستخدم خوارزميات التعلم الآلي للتفريق بين AD و FTD والأشخاص الأصحاء (HC) باستخدام ميزات EEG. تتراوح دقة التصنيف للتفريق بين AD و HC من 77.01% إلى 95.86%، بينما يمثل التفريق بين AD و FTD تحديات أكبر بسبب تداخل الأعراض. ومن الجدير بالذكر أن الدراسات السابقة قد أفادت بمستويات متفاوتة من النجاح، حيث حقق البعض منطقة تحت منحنى خصائص التشغيل المستقبلية (ROC-AUC) تبلغ 73% لتصنيف AD مقابل FTD. تختتم المقدمة بالتطرق إلى التناقضات المنهجية في تقييمات مستوى الموضوع وأهمية تجنب تسرب البيانات في تحليل إشارات EEG، مما يبرز الحاجة إلى طرق تقييم قوية ومراقبة في الأبحاث المستقبلية.
نقاش
في هذه الدراسة، بحثنا في تصنيف مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD) والأشخاص الأصحاء (HC) باستخدام مقاييس الاتصال الوظيفي (FC) المستمدة من إشارات EEG في حالة الراحة. باستخدام نهج التجميع العام المكدس، حققنا ROC-AUC قدره 81.80% للتفريق بين AD و HC و 71.36% للتفريق بين FTD و HC. بينما تشير هذه النتائج إلى قدرة تمييز معتدلة، كانت أقل من تلك التي تم الحصول عليها من المصنفات الأساسية الفردية، التي وصلت قيم ROC-AUC إلى أكثر من 85% لكلتا مهمتي التصنيف. ومن الجدير بالذكر أن مقاييس الاتصال في نطاق ألفا أظهرت أعلى أداء في التفريق بين كلا نوعي الخرف و HC، بينما كانت مقاييس نطاق دلتا أكثر فعالية في التفريق بين AD و FTD، مما يشير إلى وجود اضطرابات متداخلة في الشبكات الوظيفية بين نوعي الخرف.
على الرغم من إمكانيات نهج التجميع المكدس، إلا أنه لم يتفوق باستمرار على أفضل المصنفات الفردية، على الأرجح بسبب محدودية التنوع بين المصنفات الأساسية وأدائها الأساسي المنخفض نسبيًا. كشفت تحليلاتنا أن العديد من المصنفات أنتجت تنبؤات مشابهة، خاصة ضمن نطاقات التردد ثيتا وألفا، مما يشير إلى وجود تكرار بدلاً من معلومات تكاملية. علاوة على ذلك، لم نجد أي ميزة كبيرة لاستخدام مقاييس المسافة المستندة إلى الهندسة الريمانية مقارنة بالمقاييس الإقليدية التقليدية في هذا السياق، مما يشير إلى أن الخصائص الهندسية لمصفوفات SPD قد لا توفر فوائد كبيرة لتصنيف مقاييس الاتصال غير الخطية في بيانات EEG. بشكل عام، تؤكد نتائجنا على الحاجة إلى اختيار ميزات دقيقة وصرامة منهجية في دراسات تصنيف الخرف المستندة إلى EEG لتعزيز القابلية للتكرار والمقارنة عبر جهود البحث.
DOI: https://doi.org/10.1038/s41598-026-35316-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41513739
Publication Date: 2026-01-09
Author(s): Tjaša Mlinarič et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
This study explores the potential of resting-state EEG functional connectivity to differentiate between Alzheimer’s disease (AD), frontotemporal dementia (FTD), and healthy controls (HC). Utilizing a publicly available dataset, the researchers extracted various connectivity metrics across different frequency bands and employed a stacked ensemble learning approach for classification. Base classifiers were developed using Fisher’s Geodesic Minimum Distance to Mean (FgMDM) with either Euclidean or Riemannian distance metrics, and a meta-classifier was trained on the predictions from these base classifiers.
The results indicated that the stacked model achieved receiver operating characteristic area under the curve (ROC-AUC) values of 81.80% for distinguishing AD from HC and 71.36% for FTD from HC, utilizing leave-one-subject-out cross-validation. Notably, these values were lower than those obtained from the best-performing single-base classifiers, which achieved ROC-AUC values of 85% or higher for several connectivity metrics. This suggests that while ensemble methods can be effective, individual connectivity metrics may provide superior discrimination between these dementia types and healthy individuals.
Introduction
The introduction of the research paper discusses the challenges posed by Alzheimer’s disease (AD) and frontotemporal dementia (FTD), two prevalent forms of dementia that exhibit overlapping symptoms and significant individual variability in presentation. AD accounts for 60-80% of dementia cases and is primarily characterized by memory and communication issues, while FTD, which affects up to 10% of individuals under 65, is marked by personality and behavioral changes. The need for validated biomarkers is emphasized to enhance diagnostic accuracy, particularly in early stages when interventions can be most effective. Electroencephalography (EEG) is highlighted as a promising tool due to its non-invasive nature and ability to capture brain electrical activity, revealing distinct patterns between AD and FTD.
The paper also reviews recent studies employing machine learning algorithms to differentiate between AD, FTD, and healthy controls (HC) using EEG features. Classification accuracies for distinguishing AD from HC range from 77.01% to 95.86%, while differentiating between AD and FTD presents more challenges due to symptom overlap. Notably, previous studies have reported varying degrees of success, with some achieving an area under the receiver operating characteristic curve (ROC-AUC) of 73% for AD versus FTD classification. The introduction concludes by addressing methodological inconsistencies in subject-level evaluations and the importance of avoiding data leakage in EEG signal analysis, underscoring the need for robust and controlled evaluation methods in future research.
Discussion
In this study, we investigated the classification of Alzheimer’s disease (AD), frontotemporal dementia (FTD), and healthy controls (HC) using functional connectivity (FC) metrics derived from resting-state EEG signals. Employing a stacked generalization ensemble approach, we achieved a ROC-AUC of 81.80% for distinguishing AD from HC and 71.36% for FTD from HC. While these results indicate moderate discriminative ability, they were lower than those obtained from single base classifiers, which reached ROC-AUC values exceeding 85% for both classification tasks. Notably, alpha band connectivity metrics demonstrated the highest performance in differentiating both dementia types from HC, while delta band metrics were more effective in distinguishing between AD and FTD, suggesting overlapping functional network disruptions between the two dementia types.
Despite the potential of the stacked ensemble approach, it did not consistently outperform the best single classifiers, likely due to limited diversity among base classifiers and their relatively low baseline performance. Our analysis revealed that many classifiers produced similar predictions, particularly within the theta and alpha frequency bands, indicating redundancy rather than complementary information. Furthermore, we found no significant advantage of using Riemannian geometry-based distance metrics over traditional Euclidean metrics in this context, suggesting that the geometric properties of SPD matrices may not provide substantial benefits for the classification of non-linear connectivity measures in EEG data. Overall, our findings underscore the need for careful feature selection and methodological rigor in EEG-based dementia classification studies to enhance reproducibility and comparability across research efforts.