学习笔记:借助AI+EEG技术实现阿尔兹海默症与额颞叶的精准诊断

来源：苏黎世大学官网

标题：

AI Turns Simple EEG Scans Into Accurate Dementia Detectors

网址：

https://neurosciencenews.com/ai-dementia-detector-neurotech-30037/

🧠 研究背景与核心价值痴呆症概述

阿尔茨海默病（AD）：

最常见的痴呆类型，2025年影响约720万美国65岁以上人群，主要损害记忆和空间认知。

额颞叶痴呆（FTD）：

第二常见早发性痴呆，多发于40-60岁，主要影响行为、人格和语言功能。

诊断挑战：

两者症状重叠导致高误诊率，而传统诊断工具（MRI/PET）成本高、耗时且依赖专业设备。

EEG技术优势：

作为便携式、非侵入性、低成本的脑活动测量工具，通过传感器记录不同频段的脑电波，但传统分析受噪声和个体差异影响，准确性有限。

1 核心观点
•  便携式 EEG + 深度学习 一次性完成“分型 + 严重程度评估”，无需昂贵 MRI/PET。

•  两步模型：先筛认知正常（CN）→ 再区分阿尔茨海默（AD）与额颞痴呆（FTD），总体准确率 84 %，优于现有 EEG 方法。

2 模型架构与性能

⚙️ 技术创新点多维度分析：

🍇同时提取EEG信号的时间特征与频率特征，捕捉传统方法忽略的细微模式。

关键技术
• 同时提取时-空-频特征（delta 波段为主；AD 呈广泛性慢波，FTD 局限额-中央区）。
• Grad-CAM 可视化：可指出每位患者“哪一脑区-哪一频段”驱动决策，辅助临床解释。

🍇可解释性增强：使用Grad-CAM技术可视化影响模型决策的脑区信号，提升临床信任度。

🍇一体化系统：整合疾病检测与严重程度评估功能，缩短诊断周期，提供实时进展追踪工具。

3 临床意义
1.  低成本早筛：可在基层、社区、家庭完成 5-10 min 记录，当场出报告。

2.  动态随访：同一患者可季度复查，AI 量化病情进展，比神经量表更敏感。

3.  科研工具：提供大样本、标准化 EEG 特征库，加速痴呆生物标志物研究。


4 局限与下一步
•  单中心、横断面数据 → 需多中心、纵向队列验证。

•  未纳入其他类型痴呆（LBD、VaD）→ 正在扩展三分类至多分类。

•  计划与可穿戴干电极 EEG 厂商合作，实现“居家自测”模式。

一句话总结
把廉价脑电信号送进深度网络，90 % 精度筛痴呆、84 % 精度分亚型、误差 <15 % 评程度，为全球 7 千万痴呆患者打开“早诊、常监、普筛”新窗口。