EEG-based Schizophrenia Detection Using Spectral, Entropy, and Graph Connectivity Features with Machine Learning

Questo studio propone un approccio integrato per la rilevazione della schizofrenia tramite EEG, combinando potenza spettrale, entropia di permutazione multiscala e connettività di rete, che ha permesso al modello Random Forest di raggiungere un'accuratezza del 99,7% nel distinguere i pazienti dai controlli sani, sebbene i risultati richiedano ulteriori validazioni su campioni più ampi.

L'essenziale

🧠 Il "Termometro" del Cervello: Come l'Intelligenza Artificiale individua la Schizofrenia

Immagina che il cervello sia una città molto complessa, piena di strade, ponti e milioni di persone che parlano tra loro. In una città sana (un cervello sano), il traffico scorre fluido, le conversazioni sono chiare e i messaggi arrivano velocemente da un quartiere all'altro.

Nella schizofrenia, però, questa città sembra andare in tilt: le strade si ingorgano, i messaggi si perdono e il rumore di fondo diventa assordante. Fino a oggi, per capire se qualcuno vive in questa "città in tilt", i medici dovevano affidarsi solo alle parole del paziente e ai loro occhi esperti, un po' come cercare di capire il meteo guardando solo le nuvole senza termometri.

Questo studio propone un nuovo modo di guardare: usare l'EEG (l'elettroencefalogramma) come un microfono super-sensibile che ascolta il "chiacchiericcio" elettrico del cervello, e un'Intelligenza Artificiale come un detective che cerca di capire se quella città è sana o malata.

Ecco come hanno fatto, passo dopo passo:

1. Ascoltare le "Onde" del Pensiero (Spettro)

Immagina che il cervello parli in diverse "voci" o frequenze, come gli strumenti di un'orchestra:

• Le voci grasse e lente (onde Delta e Theta) sono come il ronzio di fondo.
• Le voci veloci e acute (onde Alpha, Beta e Gamma) sono come i violini o i flauti.

Gli scienziati hanno scoperto che nei pazienti con schizofrenia, l'orchestra è sintonizzata male: le voci lente (i bassi) sono troppo forti e rumorose, mentre quelle veloci (i violini) sono quasi silenziose. È come se un'orchestra sinfonica suonasse solo percussioni pesanti e dimenticasse le melodie.

2. Misurare il "Caos" (Entropia)

Poi, hanno guardato quanto il ritmo del cervello è imprevedibile.
Immagina due persone che camminano:

• Una persona sana cammina con un passo regolare, quasi come un metronomo.
• Una persona con schizofrenia, secondo questo studio, sembra camminare in modo caotico e saltellante, cambiando ritmo all'improvviso.

Hanno usato una misura nuova chiamata Entropia Multiscala. È come se non guardassimo solo il passo di oggi, ma analizzassero come il passo cambia nel corso di un minuto, di un'ora e di un giorno. Hanno scoperto che il cervello dei pazienti è molto più "disordinato" e imprevedibile, specialmente nella parte frontale (la zona che ci aiuta a pianificare e controllare le emozioni).

3. Controllare i "Ponti" tra i Quartieri (Connessione)

Infine, hanno guardato come le diverse parti del cervello si parlano tra loro.
In una città sana, i ponti tra i quartieri sono forti e funzionanti. Nella schizofrenia, i ponti sono debolini o crollati.

• I messaggi tra la parte frontale (il "capo") e quella temporale (l'ascolto e la memoria) faticano a passare.
• Il cervello diventa come una rete sociale dove le persone non si parlano più: ognuno è isolato nel suo angolo, e l'efficienza crolla.

4. Il Detective Digitale (Machine Learning)

Tutti questi dati (il rumore delle voci, il caos del passo, i ponti rotti) sono stati dati in pasto a tre diversi "detective digitali" (algoritmi di intelligenza artificiale):

1. Random Forest: Un gruppo di alberi decisionali che votano insieme.
2. SVM: Un separatore che cerca la linea perfetta tra sano e malato.
3. MLP: Una rete neurale che impara come un bambino.

Il risultato? Il detective Random Forest è stato il migliore. Ha indovinato se una persona era sana o malata nel 99,7% dei casi! È come se avesse un occhio di falco che non sbaglia mai.

Perché è importante?

Prima, diagnosticare la schizofrenia era come cercare di indovinare il contenuto di una scatola chiusa solo scuotendola. Ora, abbiamo una radiografia digitale che ci dice esattamente cosa c'è dentro.

• È veloce: L'EEG costa poco e non fa male.
• È preciso: L'AI ha visto cose che l'occhio umano fatica a notare.
• È promettente: Anche se lo studio è stato fatto su un piccolo gruppo di persone (28 in tutto, come una classe scolastica), i risultati sono così alti che danno speranza per il futuro.

Il "Ma" (Le limitazioni)

Gli autori sono onesti: è come aver costruito un'auto da corsa perfetta, ma l'hanno testata solo su un circuito di 100 metri. Servono più prove, con più persone e in diversi paesi, per essere sicuri che funzioni per tutti. Ma il motore è acceso e la strada è chiara.

In sintesi: Questo studio ci dice che il cervello nella schizofrenia non è "rotto" in modo invisibile. È come una città con il traffico bloccato e i ponti crollati, e ora abbiamo l'AI che ci aiuta a vedere questi danni dall'alto, offrendo una speranza per diagnosi più veloci e cure migliori.

Sommario tecnico

Titolo: Rilevamento della Schizofrenia basato su EEG utilizzando Caratteristiche Spettrali, di Entropia e di Connettività Grafica con Machine Learning

1. Il Problema

La schizofrenia è un grave disturbo mentale che altera il pensiero, la percezione e la gestione della vita quotidiana. Attualmente, la diagnosi si basa prevalentemente su valutazioni cliniche soggettive (interviste e checklist come DSM-5 o ICD-10), il che porta spesso a diagnosi errate, ritardate o a una grande eterogeneità nei cohort di ricerca. La sovrapposizione dei sintomi con altri disturbi (es. disturbo bipolare, depressione maggiore) rende il compito ancora più difficile.
Non esistono ancora biomarcatori biologici affidabili e standardizzati. Sebbene l'elettroencefalogramma (EEG) offra un metodo sicuro, non invasivo e ad alta risoluzione temporale per studiare l'attività cerebrale, nessun singolo parametro EEG si è dimostrato sufficientemente affidabile da solo. È quindi necessario sviluppare approcci integrati che combinino diverse dimensioni della dinamica cerebrale per migliorare l'accuratezza diagnostica.

2. Metodologia

Lo studio ha analizzato dati EEG a riposo (occhi chiusi) provenienti da 28 partecipanti (14 pazienti con schizofrenia e 14 controlli sani), registrati presso il Centro Clinico di Neuroscienze Atieh in Iran.

Preprocessing:

• Filtraggio passa-banda (1–45 Hz) con filtro Butterworth del 4° ordine.
• Re-referencing alla media.
• Segmentazione in finestre di 2 secondi con sovrapposizione del 50%.
• Rimozione degli artefatti tramite ICA (componenti correlate a occhio/cuore) e rifiuto automatico delle epoche con ampiezza eccessiva (>120-150 µV).

Estrazione delle Caratteristiche (Approccio Multi-Dominio):
Il framework proposto integra tre tipi di caratteristiche:

1. Potenza Spettrale: Calcolata nelle bande Delta (1-4 Hz), Theta (4-7 Hz), Alpha (8-12 Hz), Beta (13-30 Hz) e Gamma (30-45 Hz) utilizzando il metodo di Welch.
2. Entropia Multiscala (MPE): Per la prima volta applicata all'EEG nella schizofrenia. È stata utilizzata la Multiscale Permutation Entropy su 6 scale temporali per quantificare l'irregolarità temporale e la complessità del segnale.
3. Connettività Funzionale e Metriche Grafiche:
   • Calcolo dell'Indice di Fase Ponderato (wPLI) nelle bande Theta, Alpha e Beta per stimare la connettività riducendo l'effetto della conduzione di volume.
   • Estrazione di metriche di teoria dei grafi dalle matrici di connettività: Efficienza Globale, Coefficiente di Clustering, Lunghezza del Cammino Caratteristico e Forza Media.

Classificazione e Validazione:
Sono stati addestrati e confrontati tre modelli di Machine Learning:

• Random Forest (RF): 500 alberi, criterio di split Gini.
• Support Vector Machine (SVM): Lineare.
• Multi-Layer Perceptron (MLP): Rete neurale con due strati nascosti.

La validazione è stata effettuata con due schemi rigorosi per prevenire il "data leakage":

1. Validazione incrociata stratificata a 5 fold (Stratified 5-fold CV): A livello di soggetto.
2. Leave-One-Subject-Out (LOSO): Un soggetto viene tenuto fuori per il test mentre il modello è addestrato su tutti gli altri (simulazione realistica di generalizzazione).

3. Contributi Chiave

• Integrazione Multi-Dominio: Unificazione di caratteristiche spettrali, di complessità (entropia) e di connettività in un unico framework, superando la limitazione degli studi precedenti che analizzavano queste dimensioni separatamente.
• Prima applicazione di MPE all'EEG nella Schizofrenia: L'uso della Multiscale Permutation Entropy su segnali EEG (precedentemente usata solo in MEG) offre una metrica accessibile e clinicamente rilevante per la complessità neurale.
• Analisi di Importanza delle Caratteristiche: Oltre all'accuratezza, lo studio ha identificato quali firme neurali guidano la classificazione, fornendo insight interpretabili sui meccanismi della malattia.
• Validazione Rigorosa: L'uso della validazione LOSO garantisce che i risultati non siano dovuti a sovrapposizione di dati tra training e test, offrendo una stima realistica della generalizzabilità clinica.

4. Risultati

• Prestazioni di Classificazione:
  • Il modello Random Forest ha ottenuto le prestazioni migliori e più stabili.
  • Accuratezza: 99,7% con CV a 5 fold e 99,6% con validazione LOSO.
  • AUC: 1,000 per RF in entrambi gli schemi di validazione.
  • MLP e SVM hanno mostrato prestazioni leggermente inferiori, specialmente nella validazione LOSO.
• Analisi delle Caratteristiche:
  • Le metriche di connettività nelle bande Theta e Alpha sono state le più discriminative.
  • L'entropia multiscala (MPE) ha contribuito significativamente, catturando irregolarità non visibili con misure a scala singola.
  • La potenza spettrale ha mostrato il pattern classico: aumento di potenza nelle basse frequenze (Delta/Theta) e diminuzione nelle alte (Alpha/Beta/Gamma).
• Risultati Neurofisiologici:
  • Entropia: I pazienti hanno mostrato un'entropia significativamente più alta (maggiore irregolarità), specialmente nelle regioni frontali.
  • Connettività: I pazienti presentavano una ridotta efficienza globale, un coefficiente di clustering inferiore e una lunghezza del cammino più lunga, indicando una rete cerebrale meno organizzata e più "casuale" rispetto al pattern "small-world" dei controlli sani. La riduzione della connettività è stata particolarmente marcata nelle regioni fronto-temporali.

5. Significato e Limiti

Significato:
Lo studio dimostra che un approccio multimodale che combina spettro, complessità e connettività può rilevare la schizofrenia con un'accuratezza estremamente elevata. L'identificazione della connettività Theta/Alpha e dell'entropia come biomarcatori chiave offre un potenziale supporto oggettivo alla diagnosi clinica, riducendo la dipendenza da valutazioni puramente soggettive.

Limiti e Futuro:

• Dimensione del Campione: Il numero di partecipanti è limitato (N=28) e proviene da un singolo sito in Iran. I risultati sono considerati preliminari.
• Generalizzazione: Sono necessari cohort più ampi, diversificati e multicentrici per confermare la validità clinica.
• Prossimi Passi: Il lavoro futuro includerà l'uso di registrazioni durante compiti cognitivi (non solo a riposo), il confronto con altri disturbi psichiatrici (es. disturbo bipolare) e l'implementazione di modelli più profondi per migliorare l'interpretabilità e l'equità dei biomarcatori.

In conclusione, questo lavoro propone un framework promettente per la diagnosi assistita da computer della schizofrenia, ponendo le basi per futuri strumenti clinici basati sull'EEG.