癡呆診斷的困境與突破
全球約5500萬癡呆患者正面臨診斷困境——傳統神經影像學檢查費用高昂，而腦電圖(EEG)雖成本低廉卻依賴主觀判讀。更棘手的是，阿爾茨海默病(AD)與額顳葉癡呆(FD)等亞型在早期癥狀相似但治療方案迥異，亟需開發客觀精準的分類工具。

創新研究路徑
來自中國的研究團隊獨辟蹊徑，將EEG信號轉化為動態功能連接圖譜。他們發現AD患者Delta頻段呈現全腦超連接，而FD患者Theta頻段相位同步性顯著降低。這些特征被編碼為19×19的連接矩陣，輸入定制化的三層卷積神經網絡(CNN)，最終在OpenNeuro數據集上創造了97.8%的AD識別準確率。

關鍵技術方法
研究采用10-20系統采集靜息態EEG，通過ASR去噪和ICA去除眼動偽跡。計算三種連接指標：相位聚類指數(ISPC)、加權相位滯后指數(wPLI)和振幅包絡相關(AEC)，提取均值、方差等動態特征。采用SMOTE算法解決數據不平衡問題，構建的CNN模型包含1024個卷積核和全局平均池化層。

Distinctive connectivity profiles of dementia subtypes
通過Kruskal-Wallis檢驗發現，AD組在Delta-ISPC呈現全腦超連接（p<0.05，η²=0.21），而FD組Theta頻段連接強度降低40%。Alpha頻段功能連接在兩類癡呆中均顯著受損，特別是額葉-枕葉通路（wPLI值下降0.35±0.08）。熵分析揭示AD患者Delta頻段復雜度比FD高15.7%，這成為亞型鑒別的重要特征。

Dementia subtypes classification performance
CNN模型在五折交叉驗證中表現優異：

• 多分類（AD/FD/HC）準確率93.5±3.4%
• AD與健康對照區分達97.8%（AUC=0.99）
• FD識別準確率96.7%，顯著優于傳統機器學習方法
  t-SNE可視化顯示，模型能清晰分離三類人群的特征簇，且同一受試者的多次試驗在特征空間緊密聚集。

討論與展望
該研究首次系統揭示了癡呆亞型在EEG動態連接中的"數字指紋"：AD表現為Delta頻段高同步性伴隨熵值增加，反映神經活動紊亂；FD則以Theta頻段相位解耦為特征。將Shannon熵等動態特征引入CNN，使模型性能提升6.2%，超越了僅使用靜態特征的對照組。

盡管存在單中心樣本量有限等局限，這項發表于《Scientific Reports》的工作為癡呆篩查提供了可推廣的解決方案。未來結合任務態EEG和跨中心驗證，有望發展成臨床適用的自動化診斷系統，推動精準醫療在神經退行性疾病領域的應用。