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

Résumé Technique : Généralisation Trans-Dataset des Biomarqueurs Spectraux de l'EEG Quantitatif pour la Maladie d'Alzheimer

Énoncé du Problème
La recherche actuelle en apprentissage automatique sur les biomarqueurs de l'EEG quantitatif (qEEG) pour la maladie d'Alzheimer (MA) repose principalement sur des configurations d'acquisition uniques. Bien que ces études rapportent souvent une précision élevée, elles échouent fréquemment à répondre à une question fondamentale : ces marqueurs restent-ils valides lorsque l'équipement d'enregistrement ou le montage des électrodes change ? La plupart des schémas de validation existants présentent une fuite d'informations sur les sujets (par exemple, la validation croisée par époque), ce qui gonfle artificiellement les mesures de performance. Une véritable validation externe — entraîner un modèle sur une configuration d'acquisition et le tester sur une autre — est rare dans l'IA médicale (moins de 4 % des études). Cette étude aborde le fossé de la « généralisation de la cross-configuration » identifié dans les benchmarks précédents, en enquêtant spécifiquement sur la capacité des caractéristiques spectrales dérivées d'un jeu de données à séparer de manière robuste les participants atteints de MA de ceux ayant un profil cognitif normal (CN) dans un jeu de données totalement indépendant enregistré avec un matériel différent.

Méthodologie
L'étude a employé un design pré-enregistré pour garantir la rigueur analytique, fixant l'ensemble des caractéristiques, le modèle, le schéma de validation et les critères d'interprétation avant l'analyse des données.

• Jeux de données : Deux cohortes indépendantes, publiques, d'EEG au repos (yeux fermés) ont été utilisées :
  • AHEPA : 65 participants (36 MA, 29 CN) enregistrés avec un système Nihon Kohden 2100 avec un montage 10–20 à 19 canaux (référence Cz).
  • Meghdadi : 81 participants (26 MA, 55 CN) enregistrés avec un système Advanced Brain Monitoring avec un montage 10–20 à 19 canaux. Le jeu de données Meghdadi a été filtré pour n'inclure que la condition yeux fermés et un stratum de contrôle apparié sur l'âge afin de minimiser la variance démographique.
• Extraction de Caractéristiques : Trois caractéristiques spectrales invariantes d'échelle ont été calculées pour chacun des 19 canaux communs, produisant 133 caractéristiques par sujet :
  1. Ratio Thêta/Alpha (TAR) : Le ratio de la puissance thêta (3–7 Hz) sur la puissance alpha (8–13 Hz).
  2. Puissance de Bande Relative : Puissance normalisée à travers les bandes $\delta$, $\theta$, $\alpha$, $\beta$ et $\gamma$.
  3. Fréquence de Pic Alpha.
     Note : Les valeurs de densité spectrale de puissance (PSD) du jeu de données Meghdati (stockées en log10) ont été linéarisées ($10^x$) avant le calcul du ratio pour assurer la comparabilité avec AHEPA.
• Modèle et Validation :
  • Classificateur : Régression logistique (principal) et SVM linéaire (test de robustesse).
  • Validation Interne : Validation croisée Leave-One-Subject-Out (LOSO) au sein de chaque jeu de données pour éviter la fuite de sujets.
  • Validation Externe : Apprentissage par transfert (transfer learning) dans les deux directions (AHEPA $\to$ Meghdadi et Meghdadi $\to$ AHEPA).
  • Contrôle Statistique : Un test d'hypothèse nulle par permutation a été effectué (100 permutations pour l'interne, 500 pour l'externe) pour vérifier que les résultats observés n'étaient pas des artefacts du hasard ou de la fuite de données. Des intervalles de confiance par bootstrap à 95 % ont été calculés pour toutes les estimations d'AUC.

Résultats Clés
L'étude a révélé une asymétrie flagrante dans la généralisation trans-dataset :

1. Validité Interne (Au sein de la cohorte) : Les deux jeux de données ont réussi à séparer la MA du CN sous une validation LOSO stricte.

   • AHEPA : Précision 0,785, AUC 0,802.
   • Meghdadi : Précision 0,753, AUC 0,799.
   • Les tests de permutation nulle ont confirmé que ces résultats étaient significativement supérieurs au hasard (0 % des permutations ont égalé les valeurs observées pour AHEPA).

2. Validité Externe (Trans-cohorte) : La performance était fragile et fortement dépendante de la direction.

   • Meghdadi $\to$ AHEPA : Le modèle entraîné sur Meghdadi a obtenu un AUC modéré de 0,728 sur AHEPA, indiquant un transfert réussi dans cette direction.
   • AHEPA $\to$ Meghdadi : Le modèle entraîné sur AHEPA s'est effondré sur le jeu de données Meghdadi, atteignant un AUC de 0,329. Ce résultat est significativement inférieur au hasard (99,2 % des permutations de permutation ont donné des résultats égaux ou meilleurs), indiquant que le classificateur classait activement les groupes à l'envers.

3. Diagnostic de l'Échec :

   • L'déséquilibre des classes et les erreurs d'échelle ont été écartés comme causes primaires.
   • L'échec a été attribué à un décalage de domaine dans l'échelle absolue des caractéristiques, lequel est lié aux configurations spécifiques des dispositifs et des montages.
   • Ablation de Caractéristiques : Lors de l'évaluation isolée des caractéristiques pendant le transfert trans-dataset, le Ratio Thêta/Alpha (TAR) a été la seule caractéristique ayant maintenu sa robustesse. Alors que les puissances absolues et relatives ont échoué à se généraliser (entraînant l'inversion des probabilités de classe dans la direction AHEPA $\to$ Meghdadi), le TAR a préservé le classement correct des sujets (0,516 AUC dans la direction faible, 0,724 dans la direction forte).

Signification et Revendications
L'article affirme fournir un « énoncé mesuré » sur les limites de la généralisation des biomarqueurs qEEG plutôt qu'un nouveau benchmark à haute précision. Ses principales contributions sont :

• Preuve Empirique d'Asymétrie : Il démontre qu'un modèle entraîné sur une configuration d'acquisition peut performer significativement moins bien que le hasard lorsqu'il est appliqué à une autre, remettant en question l'hypothèse selon laquelle les marqueurs qEEG sont universellement portables.
• Identification de Caractéristiques Robustes : L'étude isole le Ratio Thêta/Alpha (TAR) comme le marqueur le plus reproductible à travers différentes configurations d'acquisition. Parce que le TAR est un ratio invariant d'unité, il est moins susceptible aux décalages d'échelle absolue causés par les différents matériels et montages par rapport aux mesures de puissance absolue ou relative.
• Rigueur Méthodologique : En adhérant à un protocole pré-enregistré avec une validation stricte par niveau de sujet et des tests de permutation, l'étude offre un cas reproductible de validation externe en neurodiagnostic.
• Recommandation Pratique : Pour la recherche visant à développer des biomarqueurs EEG indépendants du montage, l'auteur suggère de privilégier les mesures de ratio relatives (spécifiquement le TAR) plutôt que les caractéristiques de puissance absolue afin de limiter les décalages de domaine liés à l'acquisition.

L'auteur déclare explicitement que le « titre » est une non-généralisation vérifiée dans une direction, présentant cette observation négative comme une étape honnête et nécessaire pour comprendre les limites des outils de diagnostic qEEG actuels.