EEG Microstate Aggregate Conditional Entropy Derived from Markov Modelling as a AD-Specific Biomarker: Differentiating Alzheimer’s Disease from Frontotemporal Dementia and Healthy Controls

Technische Samenvatting: EEG Microstate Aggregate Conditional Entropy als een AD-specifieke Biomarker

Probleemstelling
De rustende hersenen opereren nabij een kritieke faseovergang, een regime dat geassocieerd wordt met maximale informatieverwerkingscapaciteit en dynamische flexibiliteit. Afwijkingen van dit regime, gekenmerkt door beperkte transitiestructuren in neurale dynamiek, worden geïmpliceerd bij neurodegeneratieve stoornissen zoals de ziekte van Alzheimer (AD). Hoewel bestaande metrieken voor het kwantificeren van de diversiteit in transitiestructuren sterk leunen op functionele MRI (fMRI), zijn deze methoden duur, tijdrovend en missen ze de temporele resolutie die vereist is voor screening bij het punt van zorg, met name in omgevingen met beperkte middelen. Hoewel EEG-microstates een venster bieden met een hoge temporele resolutie in grootschalige hersendynamiek, heeft nog geen eerdere studie informatie-theoretische Markov-modellering toegepast op microstate-transitiesequenties om een natuurkundig gefundeerde, interpreteerbare metriek af te leiden die AD kan differentiëren van gezonde controles (HC) en andere dementies zoals frontotemporale dementie (FTD).

Methodologie
De studie maakte gebruik van rusttoestand-EEG-data van 85 deelnemers (27 HC, 35 AD, 23 FTD) verkregen uit de OpenNeuro-dataset ds004504. De analyse-pipeline omvatte:

1. Preprocessing: Bandpass-filtering (1–40 Hz), gemiddelde re-referencing, en Independent Component Analysis (ICA) voor artefact-rejectie met behulp van MNE-Python.
2. Microstate Extractie: Identificatie van Global Field Power (GFP) pieken gevolgd door gemodificeerde K-means clustering (K=4) om discrete microstate-labels (A–D) toe te wijzen aan de EEG-tijdreeksen.
3. Markov Modellering: Constructie van een eerste-orde empirische transitiekansmatrix ($T$) voor elke deelnemer. De validiteit van de eerste-orde Markov-aanname werd bevestigd via likelihood ratio-tests en de Bayesian Information Criterion (BIC) op een subsample.
4. Metriek Afleiding: Berekening van de Aggregate Conditional Entropy (ACE) van de transitie-matrix, gedefinieerd als de rij-gemiddelde Shannon conditional entropy:
   $$ACE(T) = \frac{1}{K} \sum_{i} H(X_{t+1} | X_t = i) = -\frac{1}{K} \sum_{i} \sum_{j} T_{ij} \log_2 T_{ij}$$
   De auteurs demonstreren formeel dat onder het Maximum Entropy (MaxEnt) kader, waarbij de stationaire distributie-constraint wordt afgeleid van de empirische matrix zelf, de empirische matrix $T$ analytisch de maximum-entropy oplossing is. Daarom is directe berekening van ACE($T$) noodzakelijk en voldoende, zonder dat numerieke optimalisatie vereist is.
5. Statistische Analyse: Groepsverschillen werden beoordeeld met Kruskal-Wallis tests en post-hoc permutatietests (10.000 iteraties) met Holm-Bonferroni correctie. Diagnostische prestaties werden geëvalueerd via ROC-analyse (AUC).

Belangrijkste Bijdragen

1. Nieuwe Pipeline: Een volledig reproduceerbare, open-source Python-pipeline die K-means microstate-extractie vertaalt naar een per-deelnemer ACE($T$)-metriek met een formele informatie-theoretische fundering.
2. Theoretische Fundering: Een formele afleiding die bevestigt dat ACE($T$) de entropie vertegenwoordigt van de maximaal willekeurige Markov-keten die consistent is met de geobserveerde microstate-bezetting, waardoor de noodzaak voor deep learning of complexe fitting-procedures wordt vermeden.
3. Differentiaal Diagnose: Een statistisch rigoureuze demonstratie dat ACE($T$) onderscheid maakt tussen AD en HC, met een specifieke focus op ziektespecificiteit door een FTD-cohort op te nemen.
4. Toegankelijkheid: Een implementatie die geen MRI-infrastructuur of propriëtaire software vereist, wat het geschikt maakt voor schaalbare neurologische screening in omgevingen met beperkte middelen.

Resultaten

• Groepsverschillen: Een significant verschil in ACE($T$) werd waargenomen tussen de drie groepen (Kruskal-Wallis $H(2) = 7.464, p = 0.024$).
• AD vs. HC: AD-deelnemers vertoonden een significant gereduceerde ACE($T$) vergeleken met HC ($\Delta ACE = 0.067$ bits; Cohen's $d = 0.705$; Holm-gecorrigeerde $p = 0.021$). Deze reductie komt overeen met een meer beperkte microstate-transitiestructuur. De classificatie AUC voor AD vs. HC was 0.691 (95% CI: 0.555–0.819).
• FTD vs. HC: FTD-deelnemers verschilden niet significant van HC ($p = 0.963$; AUC = 0.517). De auteurs schrijven dit nulresultaat toe aan onvoldoende statistische power ($n=23$) in plaats van bevestigde ziektespecificiteit, waarbij zij opmerken dat de studie onderpowered was om effectgroottes kleiner dan $d=0.811$ te detecteren.
• AD vs. FTD: AD vertoonde een significant lagere ACE($T$) dan FTD ($\Delta ACE = -0.066$ bits; Holm-gecorrigeerde $p = 0.042$).
• Benchmarking: De theta/alpha spectrale power ratio presteerde beter dan ACE($T$) als univariate classifier (AUC = 0.765 vs. 0.691). Vergelijkingen met Permutation Entropy (PeEn) en Sample Entropy (SampEn) werden als inconclusief beschouwd vanwege parameter-mismatches in de voor deze studie gebruikte snelheid-geoptimaliseerde preprocessing-condities.
• Robuustheid: Gevoeligheidsanalyses bevestigden dat de resultaten stabiel waren over verschillende microstate-aantallen ($K=3$ tot $6$), GFP-drempels en epoch-lengtes. Een occupancy entropy controle-analyse bevestigde dat de ACE-reductie te wijten was aan beperkte transitiemodellen, en niet aan een ongebalanceerde microstate-bezetting.

Betekenis en Claims
Het artikel claimt dat de door Markov-modellen afgeleide aggregate conditional entropy van EEG-microstate-sequenties een interpreteerbare, theoretisch gefundeerde transitie-diversiteit biomarker oplevert. De primaire betekenis ligt in het vermogen om AD te differentiëren van HC zonder terug te grijpen op deep learning of MRI-infrastructuur. De auteurs positioneren ACE($T$) niet als een vervanging voor gevestigde spectrale biomarkers (die in deze cohort een hogere AUC lieten zien), maar als een complementaire metriek die een superieure interpreteerbaarheid biedt en een directe link heeft met het theoretische concept van beperkte neurale dynamiek in AD. De studie benadrukt dat de bevindingen preliminair zijn en replicatie vereisen in grotere, multi-site cohorten met externe validatie voordat de klinische bruikbaarheid volledig kan worden beoordeeld. Het werk vermijdt expliciet het claimen van een formele mapping naar de kritikaliteitstheorie, door de connectie eerder als conceptueel dan als wiskundig te framen.