超越信号：药物状态对基于 EEG 的 AI 模型在帕金森病中的影响
信号处理
2025-03-31 v1
摘要
帕金森病（PD）因其日益增加的患病率、复杂的病理以及功能性后果而提出日益增长的挑战。当与人工智能（AI）集成时，脑电图（EEG）为监测疾病进展、识别亚型态及个人化治疗策略提供了潜力。然而，药物状态对 AI 模型学习与泛化的影响仍不为人知，可能限制了基于 EEG 的 AI 模型的临床适用性。本研究评估了药物状态如何影响基于 EEG 的 AI 模型的训练与泛化。利用来自两侧药物状态下的 PD 患者的配对 EEG 记录，我们分别在每个状态下训练 AI 模型，并在代表两种药物状态的独立测试集上进行评估。通过置换检验（p<0.05）评估了模型性能，以准确率（ACC）作为主要结果。我们的结果显示，在 OFF 药物数据上训练的模型在两种药物状态下表现出始终但次优的性能（ACC_OFF-ON=55.3±8.8，ACC_OFF-OFF=56.2±8.7）。相比之下，在 ON 药物数据上训练的模型在 ON 药物记录上表现显著更高（ACC_ON-ON=80.7±7.1），但在 OFF 药物数据上的泛化显著下降（ACC_ON-OFF=76.0±7.2）。值得注意的是，在各自状态下的模型，基于 ON 药物数据训练的模型始终优于基于 OFF 药物数据训练的模型（ACC_ON-ON=80.7±7.1，ACC_OFF-OFF=56.2±8.7）。我们的发现表明，药物状态显著影响 AI 模型所学习的模式。解决这一挑战对于增强 AI 模型针对 PD 表征和管理的鲁棒性和临床实用性至关重要。
引用
@article{arxiv.2503.21992,
title = {Beyond the Signal: Medication State Effect on EEG-Based AI models for Parkinson's Disease},
author = {Anna Kurbatskaya and Fredrik Nilsen Låder and Andreas Solvang Nese and Kolbjørn Brønnick and Alvaro Fernandez-Quilez},
journal= {arXiv preprint arXiv:2503.21992},
year = {2025}
}