Leveraging a Foundation Model for the EEG-Based Diagnosis of Alzheimer's Disease
作者: Maggie Lin, Chung-Lin Hou, Tzyy-Ping Jung
分类: cs.LG, q-bio.NC
发布日期: 2026-08-27
备注: 7 pages, 9 figures, 1 table. Accepted and presented at the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026)
💡 一句话要点
利用基础模型解决阿尔茨海默病的EEG诊断问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 阿尔茨海默病 EEG诊断 深度学习 随机森林 生物标志物 神经科学 数据驱动
📋 核心要点
- 阿尔茨海默病的生物异质性使得传统线性诊断方法难以有效捕捉非线性神经动态，面临重大挑战。
- 本文提出了一种基于大脑模型（LaBraM）和非线性随机森林分类器的诊断框架，能够有效提取疾病标记。
- 在独立受试者的5折交叉验证中，该方法在区分痴呆患者与健康对照组时，取得了优异的性能指标。
📝 摘要（中文）
阿尔茨海默病（AD）的生物异质性给传统线性诊断方法带来了重大挑战，尤其是在捕捉非线性神经动态方面。为此，本文提出了一种诊断框架，利用在2500小时EEG数据上预训练的大脑模型（LaBraM）。通过将高维潜在嵌入与非线性随机森林分类器相结合，我们的方法有效地提取出稳健的疾病标记。在严格的独立受试者5折交叉验证下，该方法在区分痴呆患者与健康对照组时，ROC-AUC达到了89.36% ± 3.49%，PR AUC为81.45% ± 4.43%，平衡准确率为82.44% ± 4.34%。该性能仅使用8秒的EEG片段，超越了传统的频谱基线，包括带功率和参数化振荡特征（FOOOF）。后续的遮蔽分析确认模型捕捉到了临床验证的生物标志物，特别是枕额区的阿尔法和θ节律退化。这些发现表明，深层潜在表示能够从噪声信号中提取临床相关的特征，实现精准、快速和数据高效的诊断。
🔬 方法详解
问题定义：本文旨在解决阿尔茨海默病的EEG诊断问题，现有方法在处理生物异质性和非线性神经动态方面存在不足，导致诊断准确性低下。
核心思路：通过利用在大规模EEG数据上预训练的基础模型（LaBraM），结合非线性随机森林分类器，提取高维潜在特征，从而提高诊断的准确性和效率。
技术框架：整体架构包括数据预处理、特征提取、分类模型训练和评估四个主要模块。首先对EEG数据进行预处理，然后通过LaBraM提取潜在特征，最后使用随机森林进行分类。
关键创新：本研究的核心创新在于将深层潜在表示与非线性分类器相结合，能够有效捕捉到临床相关的生物标志物，显著提升了诊断性能。
关键设计：在模型设计中，使用了8秒的EEG片段进行训练，采用了随机森林作为分类器，并进行了后续的遮蔽分析，以验证模型的有效性和生物标志物的捕捉能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的方法在区分痴呆患者与健康对照组时，ROC-AUC达到了89.36% ± 3.49%，PR AUC为81.45% ± 4.43%，平衡准确率为82.44% ± 4.34%。这些结果显著优于传统的频谱基线方法，表明该方法在EEG信号分析中的有效性和优势。
🎯 应用场景
该研究的潜在应用领域包括临床神经科学、老年医学和智能医疗等。通过提供快速、精准的阿尔茨海默病诊断工具，能够帮助医生更好地识别和管理患者，提高临床决策的效率和准确性，未来可能对公共卫生产生积极影响。
📄 摘要（原文）
Biological heterogeneity in Alzheimer's Disease (AD) poses a critical diagnostic challenge, particularly for traditional linear methods that fail to capture non-linear neural dynamics. To address this, we propose a diagnostic framework utilizing the Large Brain Model (LaBraM), pretrained on over 2,500 hours of EEG data. By integrating these high-dimensional latent embeddings with a non-linear Random Forest classifier, our approach effectively isolates robust disease markers. Under a rigorous subject-independent 5-fold cross-validation protocol, the method achieves an ROC-AUC of 89.36% +/- 3.49%, PR AUC of 81.45% +/- 4.43%, and Balanced Accuracy of 82.44% +/- 4.34% in distinguishing dementia patients from healthy controls. Notably, this performance uses only 8-second EEG segments, surpassing traditional spectral baselines, including band-power and parameterized oscillatory features (FOOOF). Post-hoc occlusion analysis confirms the model captures clinically validated biomarkers, specifically occipital-frontal Alpha and Theta rhythm degradation. Additional neurophysiological alignment analysis demonstrated that higher LaBraM-predicted dementia probability significantly correlated with worse cognitive performance, greater clinical severity, increased theta and alpha relative power, and higher aperiodic exponent. These findings demonstrate that deep latent representations extract clinically relevant signatures from noisy signals, enabling precise, rapid, and data-efficient diagnosis.