用于 EEG 脑网络中阿尔茨海默病生物标志物识别的变分图神经专家混合模型

基于摘要分析。本文针对阿尔茨海默病（AD）与额颞叶痴呆（FTD）的 EEG 电生理特征重叠、难以区分亚型及严重程度的问题，提出 Variational Mixture of Graph Neural Experts（VMoGE），结合多频段 EEG、变分图神经网络与专家混合架构，学习频段特异的脑网络表征。 机制上，每个专家负责一个 EEG 频段，以 Gaussian Markov Random Field（高斯马尔可夫随机场）先验建模脑连接，再由变分门控机制自适应整合专家输出；变分推断用于建模潜在不确定性。其主要方法思路是显式保留频段差异，而非仅进行全频段分析。具体频段边界、脑网络构建方式、损失函数及训练流程尚未验证。 作者报告，在两个 EEG 痴呆数据集上开展评估，主要比较中的健康对照（HC）与 AD 分类达到 AUC 0.89，并在痴呆亚型识别及 Clinical Dementia Rating（CDR）分期任务上取得具有竞争力的结果。摘要未提供被试数量、数据划分、被试内或跨被试协议、对照基线及其他任务的具体指标，因此该数值不能直接与不同协议下的结果比较。 解释性方面，作者报告专家门控权重与 Mini-Mental State Examination（MMSE）分数及 CDR 严重程度相关；δ/θ 慢波频段贡献与 AD 相关 EEG 慢化和疾病进展关联；空间激活图呈现后部 θ/α 频段及区域性 β 频段变化。上述关联提供了可核查的神经生理解释线索，但不等同于已验证的临床诊断效用或纵向进展预测能力。实验协议、消融及统计信息尚未验证；该研究的主要对象是 EEG 痴呆识别，不能据此推定其具有 BCI 任务效果。