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

Resumo Técnico: Generalização de Biomarcadores Espectrais de EEG Quantitativo entre Diferentes Conjuntos de Dados para a Doença de Alzheimer

Definição do Problema
A pesquisa atual em aprendizado de máquina sobre biomarcadores de EEG quantitativo (qEEG) para a Doença de Alzheimer (DA) baseia-se predominantemente em configurações de aquisição única. Embora esses estudos frequentemente relatem alta acurácia, eles frequentemente falham em abordar uma questão fundamental: esses marcadores permanecem válidos quando o equipamento de registro ou a montagem dos eletrodos muda? A maioria dos esquemas de validação existentes apresenta vazamento de informações do sujeito (ex: validação cruzada por época), inflando as métricas de desempenho. A verdadeira validação externa — treinar um modelo em uma configuração de aquisição e testá-lo em outra — é rara em IA médica (menos de 4% dos estudos). Este estudo aborda a lacuna de "generalização de configuração cruzada" identificada em benchmarks anteriores, investigando especificamente se características espectrais derivadas de um conjunto de dados podem separar robustamente participantes com DA de participantes cognitivamente normais (CN) em um conjunto de dados completamente independente, registrado com hardware diferente.

Metodologia
O estudo empregou um design pré-registrado para garantir o rigor analítico, fixando o conjunto de características, o modelo, o esquema de validação e os critérios de interpretação antes da análise dos dados.

• Conjuntos de Dados: Dois conjuntos de dados independentes, públicos e de estado de repouso (olhos fechados) de EEG foram utilizados:
  • AHEPA: 65 participantes (36 DA, 29 CN) registrados usando um sistema Nihon Kohden 2100 com uma montagem de 19 canais 10–20 (referência Cz).
  • Meghdadi: 81 participantes (26 DA, 55 CN) registrados usando um sistema Advanced Brain Monitoring com uma montagem de 19 canais 10–20. O conjunto de dados Meghdadi foi filtrado para incluir apenas a condição de olhos fechados e um estrato de controle pareado por idade para minimizar a variância demográfica.
• Extração de Características: Três características espectrais invariantes de escala foram computadas para cada um dos 19 canais comuns, gerando 133 características por sujeito:
  1. Razão Teta/Alfa (TAR): A razão entre a potência de teta (3–7 Hz) e alfa (8–13 Hz).
  2. Potência de Banda Relativa: Potência normalizada através das bandas $\delta$, $\theta$, $\alpha$, $\beta$ e $\gamma$.
  3. Frequência de Pico Alfa.
     Nota: Os valores de densidade espectral de potência (PSD) do conjunto de dados Meghdadi (armazenados em log10) foram linearizados ($10^x$) antes do cálculo da razão para garantir a comparabilidade com o AHEPA.
• Modelo e Validação:
  • Classificador: Regressão logística (primário) e SVM linear (verificação de robustez).
  • Validação Interna: Validação cruzada Leave-One-Subject-Out (LOSO) dentro de cada conjunto de dados para evitar vazamento de sujeitos.
  • Validação Externa: Aprendizado por transferência (transfer learning) em ambas as direções (AHEPA $\to$ Meghdadi e Meghdadi $\to$ AHEPA).
  • Controle Estatístico: Um teste de hipótese nula de permutação foi realizado (100 embaralhamentos para interna, 500 para externa) para verificar se os resultados observados não eram artefatos de acaso ou vazamento de dados. Intervalos de confiança de bootstrap de 95% foram calculados para todas as estimativas de AUC.

Resultados Principais
O estudo revelou uma assimetria gritante na generalização entre conjuntos de dados:

1. Validade Interna (Dentro da Coorte): Ambos os conjuntos de dados separaram com sucesso DA de CN sob rigorosa validação LOSO.

   • AHEPA: 0,785 de Acurácia, 0,802 de AUC.
   • Meghdadi: 0,753 de Acurácia, 0,799 de AUC.
   • Os nulos de permutação confirmaram que estes resultados estavam significativamente acima do acaso (0% dos embaralhamentos igualaram os valores observados de AHEPA).

2. Validade Externa (Entre Coortes): O desempenho foi frágil e altamente dependente da direção.

   • Meghdadi $\to$ AHEPA: O modelo treinado no Meghdadi alcançou um moderado 0,728 de AUC no AHEPA, indicando transferência bem-sucedida nesta direção.
   • AHEPA $\to$ Meghdadi: O modelo treinado no AHEPA colapsou no conjunto de dados Meghdadi, alcançando 0,329 de AUC. Isto é significativamente abaixo do acaso (99,2% das permutações de amostra resultaram em valores iguais ou superiores), indicando que o classificador estava classificando ativamente os grupos de forma errônea.

3. Diagnóstico de Falha:

   • Desequilíbrio de classes e erros de escala foram descartados como causas primárias.
   • A falha foi atribuída a um deslocamento de domínio na escala absoluta das características, que está ligado a dispositivos e configurações de montagem específicos.
   • Ablação de Características: Quando as características individuais foram testadas isoladamente durante a transferência entre conjuntos de dados, a Razão Teta/Alfa (TAR) foi a única característica que manteve a robustez. Enquanto as potências absolutas e relativas falharam em generalizar (levando à inversão das probabilidades de classe na direção AHEPA $\to$ Meghdadi), a TAR preservou o ranking correto dos sujeitos (0,516 de AUC na direção fraca, 0,724 na forte).

Significância e Alegações
O artigo afirma fornecer uma "declaração medida" sobre os limites da generalização de biomarcadores de qEEG, em vez de um novo benchmark de alta acurácia. Suas principais contribuições são:

• Evidência Empírica de Assimetria: Demonstra que um modelo treinado em uma configuração de aquisição pode performar significativamente pior do que o acaso quando aplicado a outra, desafiando a suposição de que os marcadores de qEEG são universalmente portáteis.
• Identificação de Características Robustas: O estudo isola a Razão Teta/Alfa (TAR) como o marcador mais reprodutível entre diferentes configurações de aquisição. Como a TAR é uma razão invariante de unidade, ela é menos suscetível aos deslocamentos de escala absoluta causados por diferentes hardwares e montagens em comparação com medidas de potência absoluta ou relativa.
• Rigor Metodológico: Ao aderir a um protocolo pré-registrado com rigorosa validação de nível de sujeito e testes de permutação, o estudo oferece um caso reprodutível de validação externa em neurodiagnósticos.
• Recomendação Prática: Para pesquisas que visam desenvolver biomarcadores de EEG independentes de montagem, o autor sugere favorecer medidas de razão/relativas (especificamente a TAR) em vez de características de potência absoluta para mitigar deslocamentos de domínio específicos de aquisição.

O autor afirma explicitamente que a "manchete" é uma não-generalização verificada em uma direção, enquadrando esta observação negativa como um passo honesto e necessário para compreender os limites das atuais ferramentas diagnósticas de qEEG.