Cross-Dataset Generalization of Quantitative EEG Spectral Biomarkers for Alzheimer’s Disease: A Pre-registered Two-Cohort External Validation and What Does Not Transfer

ملخص تقني: تعميم المؤشرات الحيوية الطيفية لتخطيط كهربائية الدماغ الكمي عبر مجموعات البيانات لمرض ألزهايمر

بيان المشكلة
تعتمد معظم الأبحاث الحالية في تعلم الآلة المتعلقة بالمؤشرات الحيوية لتخطيط كهربائية الدماغ الكمي (qEEG) لمرض ألزهايمر (AD) بشكل أساسي على إعدادات أحادية التحصيل. وبينما تسجل هذه الدراسات غالبًا دقة عالية، إلا أنها كثيرًا ما تفشل في معالجة سؤال جوهري: هل تظل هذه المؤشرات صالحة عندما تتغير معدات التسجيل أو تركيب الأقطاب الكهربائية (montage)؟ إن معظم مخططات التحقق الحالية تسرب معلومات الخاضعين للدراسة (مثل التحقق المتقاطع على مستوى الحقبة الزمنية/epoch)، مما يؤدي إلى تضخيم مقاييس الأداء. إن التحقق الخارجي الحقيقي —أي تدريب نموذج على إعداد تحصيل واحد واختباره على إعداد آخر مختلف— أمر نادر في مجال الذكاء الاصطناعي الطبي (أقل من 4% من الدراسات). تعالج هذه الدراسة فجوة "تعميم التكوين المتقاطع" التي حددتها الاختبارات المعيارية السابقة، حيث تبحث تحديدًا فيما إذا كانت الميزات الطيفية المستمدة من مجموعة بيانات واحدة يمكن أن تفصل بمتانة بين المصابين بمرض ألزهايمر والمشاركين الأصحاء معرفيًا (CN) في مجموعة بيانات مستقلة تمامًا تم تسجيلها باستخدام أجهزة مختلفة.

المنهجية
استخدمت الدراسة تصميمًا مسجلًا مسبقًا لضمان الصرامة التحليلية، حيث تم تثبيت مجموعة الميزات، والنموذج، ومخطط التحقق، ومعايير التفسير قبل تحليل البيانات.

• مجموعات البيانات: استُخدمت مجموعتان مستقلتان وعامتا من حالات تخطيط كهربائية الدماغ في حالة الراحة (مع إغلاق العينين):
  • AHEPA: 65 مشاركًا (36 مصابًا بألزهايمر، 29 سليمًا معرفيًا) تم تسجيلهم باستخدام نظام Nihon Kohden 2100 مع تركيب 19 قناة بنظام 10–20 (مرجع Cz).
  • Meghdadi: 81 مشاركًا (26 مصابًا بألزهايمر، 55 سليمًا معرفيًا) تم تسجيلهم باستخدام نظام Advanced Brain Monitoring مع تركيب 19 قناة بنظام 10–20. تم ترشيح مجموعة بيانات Meghdadi لتشمل فقط حالة إغلاق العينين وطبقة محددة متوافقة في العمر لتقليل التباين الديموغرافي.
• استخراج الميزات: تم حساب ثلاث ميزات طيفية ثابتة المقياس لكل قناة من القنوات الـ 19 الشائعة، مما نتج عنه 133 ميزة لكل مشارك:
  1. نسبة ثيتا/ألفا (TAR): نسبة قوة موجة ثيتا (3–7 هرتز) إلى موجة ألفا (8–13 هرتز).
  2. قوة النطاق النسبية: القوة المعيرة عبر نطاقات $\delta$ و$\theta$ و$\alpha$ و$\beta$ و$\gamma$.
  3. تردد ذروة ألفا.
     ملاحظة: تم خطّي (linearize) قيم كثافة الطيف القدرتي (PSD) من مجموعة بيانات Meghdadi (المخزنة بصيغة log10) عبر العملية ($10^x$) لضمان قابليتها للمقارنة مع AHEPA.
• النموذج والتحقق:
  • المصنف: الانحدار اللوجستي (الأساسي) وSVM الخطي (للتحقق من المتانة).
  • التحقق الداخلي: التحقق المتقاطع بترك خاضع واحد خارج المجموعة (LOSO) داخل كل مجموعة بيانات لمنع تسرب المعلومات الخاصة بالمشاركين.
  • التحقق الخارجي: التعلم الانتقالي في كلا الاتجاهين (AHEPA $\to$ Meghdadi و Meghdadi $\to$ AHEPA).
  • الضبط الإحصائي: أُجري اختبار فرضية العدم بالتبديل (100 عملية خلط للتحقق الداخلي، و500 للتحقق الخارجي) للتحقق من أن النتائج المرصودة ليست ناتجة عن الصدفة أو تسرب البيانات. كما حُسبت فترات الثقة 95% باستخدام طريقة Bootstrap لجميع تقديرات AUC.

النتائج الرئيسية
كشفت الدراسة عن عدم تماثل صارخ في التعميم عبر مجموعات البيانات:

1. الصلاحية الداخلية (داخل المجموعة الواحدة): نجحت كلتا المجموعتين في الفصل بين المصابين بألزهايمر والأصحاء معرفيًا تحت التحقق الصارم بنظام LOSO.

   • AHEMA: دقة 0.785، AUC 0.802.
   • Meghdadi: دقة 0.753، AUC 0.799.
   • أكدت اختبارات التبدل أن هذه النتائج أعلى بكثير من مستوى الصدفة (0% من عمليات الخلط طابقت قيم AHEPA المرصودة).

2. الصلاحية الخارجية (عبر المجموعات): كان الأداء هشًا ويعتمد بشدة على الاتجاه.

   • Meghdadi $\to$ AHEPA: حقق النموذج المدرب على Meghdadi قيمة AUC قدرها 0.728 على AHEPA، مما يشير إلى نجاح الانتقال في هذا الاتجاه.
   • AHEPA $\to$ Meghdadi: انهار النموذج المدرب على AHEPA عند تطبيقه على مجموعة بيانات Meghdadi، حيث حقق AUC قدره 0.329. هذه القيمة أقل بكثير من مستوى الصدفة (99.2% من عمليات خلط التبديل أعطت نتائج مساوية أو أفضل)، مما يشير إلى أن المصنف كان يصنف المجموعات بشكل خاطئ فعليًا.

3. تشخيص الفشل:

   • تم استبعاد عدم توازن الفئات وأخطاء القياس كأسباب رئيسية.
   • عُزي الفشل إلى انزياح النطاق (domain shift) في المقياس المطلق للميزات، وهو أمر مرتبط بأجهزة وتكوينات تركيب محددة.
   • استئصال الميزات (Feature Ablation): عند اختبار الميزات الفردية في عزلة أثناء الانتقال عبر المجموعات، كانت نسبة ثيتا/ألفا (TAR) هي الميزة الوحيدة التي حافظت على متانتها. وبينما فشلت قوى النطاق المطلقة والنسبية في التعميم (مما أدى إلى انقلاب احتمالات الفئات في اتجاه AHEPA $\to$ Meghdadi)، حافظت نسبة TAR على الترتيب الصحيح للمشاركين (0.516 AUC في الاتجاه الضعيف، و0.724 في الاتجاه القوي).

الأهمية والادعاءات
تدعي الورقة أنها تقدم "بيانًا مدروسًا" حول حدود تعميم مؤشرات qEEG الحيوية بدلاً من تقديم معيار جديد عالي الدقة. وتتمثل مساهماتها الرئيسية في:

• الدليل التجريبي على عدم التماثل: تُظهر أن نموذجًا مدربًا على إعداد استحواذ واحد يمكن أن يؤدي أداءً أسوأ بكثير من العشوائية عند تطبيقه على إعداد آخر، مما يتحدى الافتراض بأن مؤشرات qEEG قابلة للنقل عالميًا.
• تحديد الميزات القوية: تعزل الدراسة نسبة ثيتا/ألفا (TAR) كمؤشر أكثر قابلية للتكرار عبر تكوينات الاستحواذ المختلفة. ولأن TAR نسبة ثابتة المقياس، فهي أقل عرضة لانزياحات المقياس المطلق الناتجة عن اختلاف الأجهزة والتركيبات مقارنة بمقاييس القوة المطلقة أو النسبية.
• الصرامة المنهجية: من خلال الالتزام ببروتوكول مسجل مسبقًا مع تحقق صارم على مستوى المشارك واختبارات التبديل، تقدم الدراسة حالة قابلة للتكرار للتحقق الخارجي في التشخيص العصبي.
• التوصية العملية: بالنسبة للأبحاث التي تهدف إلى تطوير مؤشرات حيوية لتخطيط كهربائية الدماغ مستقلة عن التركيب (montage)، تقترح الدراسة تفضيل المقاييس النسبية القائمة على النسب (تحديدًا TAR) على ميزات القوة المطلقة للتخفيف من انزياحات النطاق المرتبطة بعملية الاستحواذ.

يصرح المؤلف صراحةً أن "العنوان الرئيسي" هو عدم تعميم مُثبت في اتجاه واحد، ويؤطر هذه الملاحظة السلبية كخطوة صادقة وضرورية نحو فهم حدود أدوات تشخيص qEEG الحالية.