An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals
本研究提出了一种可解释的分层机器学习框架，该框架通过将序贯前向选择法与 SHAP 分析相结合，以识别如额叶排列熵和时域频谱特征等稳健的脑电图（EEG）生物标志物，在区分精神分裂症患者与健康对照组方面实现了高达 81.44% 的准确率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类大脑是一个庞大且嗡嗡作响的电信号网络，这些信号不断以随我们的思想、情绪和健康状态而变化的模式进行放电。几十年来，医生一直依赖访谈和观察来诊断复杂的精神健康状况，例如精神分裂症——这是一种改变一个人思考、感受以及与世界互动方式的疾病。虽然这些临床方法至关重要，但它们也具有主观性，往往导致诊断延迟或误诊。近年来，科学家们转向了脑电图（EEG），这是一种非侵入性技术，通过在头皮上放置传感器来记录大脑的电活动。与昂贵的脑部扫描相比，EEG 既经济又便携，为观察大脑的实时动态提供了一个直接的窗口。挑战始终在于，这些电信号极其复杂且细微，使得识别出区分健康大脑与受疾病影响的大脑的具体模式变得十分困难。
来自伊朗几所大学的一个研究小组开发了一种解决这一问题的新方法，创建了一个不仅能识别这些模式，还能解释其如何发现这些模式的系统。通过分析对 101 人（51 名被诊断为精神分裂症患者和 50 名健康志愿者）的记录，研究人员构建了一个能够以显著准确度区分这两组人群的机器学习框架。该研究重点关注了两种特定的状态：参与者闭眼坐着时和睁眼坐着时。该系统不仅仅是进行猜测；它筛选了数千种大脑波形的数学描述，选择了最具代表性的描述，并使用强大的计算机算法做出决策。至关重要的是，研究人员并未止步于一个简单的“是或否”的答案。他们使用了一种方法来剥开计算机决策的层层外壳，揭示了哪些特定的脑区以及哪类电活动对于诊断最为重要。
这项工作的核心在于研究人员如何处理从 EEG 传感器收集的海量数据。每份记录都会产生大量信息，如果不经过处理，计算机将无法高效地处理这些信息，甚至会产生混乱。为了解决这个问题，团队使用了一个逐步筛选的过程，从数千个可用测量值中找到了二十个最有用的测量指标。这些测量值并非简单的平均值；它们包含了关于大脑波形如何趋于混沌或有序的复杂描述，以及在不同频率范围内信号中存在的能量水平。一旦准备好这套高质量的小型数据集，研究人员就测试了十种不同类型的计算机学习模型，以观察哪一种能最好地分离患者与健康对照组。他们采用了一种严谨的测试方法：计算机在几乎所有人的数据上进行训练，然后针对一个从未见过的单一受试者进行测试，并对每一位参与者重复此过程，以确保结果是真实的，而非仅仅是运气好。
结果显示，当参与者闭眼时，计算机模型的表现最佳。在这种安静的休息状态下，最成功的模型能以约 81% 的准确率正确识别病情。表现最好的模型是那些模拟专家投票决策的模型，即结合许多微小的判断来得出最终结论。当参与者睁开眼睛时，模型仍然能够区分两组人群，但准确度略有下降，这表明大脑的内部休息活动比其处理外界信息时的活动包含更清晰的疾病征兆。计算机并不依赖单一类型的信号来进行判断；相反，它发现混合使用不同的测量值效果最好。最重要的信号来自于大脑的前部和侧部，具体涉及波形的频率和模式的复杂性。
这项研究最显著的贡献在于它为整个过程带来了透明度。在以往许多利用计算机进行医疗诊断的尝试中，系统表现得像一个“黑箱”，只给出答案而不解释原因。在这里，研究人员使用了一种工具来绘制出驱动计算机决策的具体特征图谱。他们发现，最具影响力的信号是来自大脑前中部的复杂性度量。当这种信号高度复杂时，计算机倾向于诊断为精神分裂症；当它较为简单时，则倾向于健康诊断。其他关键信号包括颞区（头部两侧）特定脑波节律的强度。这一发现表明，该疾病并非由大脑中单一的损坏部分所定义，而是由不同区域处理信息的方式以及其电活动变得多么混沌的一系列变化共同构成的。
研究人员谨慎地指出，尽管他们的系统表现良好，但它是针对来自单一医疗中心的特定人群进行测试的。这意味着研究结果虽然前景广阔，但尚未成为适用于全球每家医院的最终解决方案。该研究明确反对认为简单的、小规模测试就足够的观点，指出以往参与者极少的测试往往会产生过于乐观的结果，而在更严格的测试中无法站住脚。通过使用更大规模的人群和更严格的测试方法，这项研究为可能实现的程度提供了更现实的图景。这项工作证明，将精细挑选的大脑波形测量值与先进的计算机学习相结合，可以创造出可靠的诊断工具。它还证明了这些工具是可以被理解的，能够向医生和患者展示哪些生物学特征被用于得出结论。这种方法为实现更客观、基于大脑的诊断工具开辟了道路，这些工具有一天可以帮助医生更早、更准确地诊断精神分裂症，从而超越主观访谈，走向对大脑电学现实的清晰理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。