Analyse der Gehirnwellen mit maschinellem Lernen unterscheidet Alzheimer-Patienten von gesunden Kontrollen
Forscher entwickelten ein Computer-Modell, das elektrische Gehirnaktivität analysierte, um zwischen 96 Alzheimer-Patienten und 147 gesunden Personen zu unterscheiden, mit Validierung in einer kleinen zusätzlichen Gruppe.
Was wurde untersucht?
Forscher testeten, ob maschinelles Lernen Alzheimer-Krankheit erkennen kann, indem sie Elektroenzephalographie (EEG) Gehirnscans analysierten. Sie verwendeten eLORETA, um die elektrische Aktivität in verschiedenen Gehirnregionen zu schätzen, und trainierten dann Algorithmen mit Daten von 96 Alzheimer-Patienten und 147 gesunden Personen.
Was wurde gefunden?
Unter den getesteten maschinellen Lernmodellen schnitt die lineare Diskriminanzanalyse am besten ab, um Alzheimer-Patienten von gesunden Personen basierend auf Mustern der elektrischen Gehirnaktivität zu unterscheiden. Das Modell wurde an 21 Personen mit leichter kognitiver Beeinträchtigung und 7 gesunden Probanden validiert. Drei Vorverarbeitungsschritte verbesserten die Genauigkeit: subjekt-spezifische Normalisierung, Alterskorrektur und logarithmische Transformation.
Was bedeutet das?
Diese Machbarkeitsstudie legt nahe, dass die Analyse von routinemäßigen EEG-Aufzeichnungen durch maschinelles Lernen ein nicht-invasives, kosteneffektives Screening-Tool für Alzheimer bieten könnte. Dies erfordert jedoch eine Validierung in viel größeren, prospektiven Studien, bevor eine klinische Anwendung möglich ist.
Einschränkung
Die Validierungsgruppe umfasste nur 28 Personen, was viel zu klein ist, um klinische Zuverlässigkeit zu etablieren.