睡眠脑电图的深度学习革命：预测认知衰退和死亡风险的新生物标志物

一项刊登在《NEJM AI》的大规模多中心研究表明，通过深度学习分析睡眠脑电图数据，可以开发出预测认知功能、疾病状态和死亡风险的综合脑健康生物标志物，其性能显著超越传统临床评估方法。

背景与挑战

睡眠不仅是日常生活的重要组成部分，更是脑健康的重要窗口。临床医生和研究人员长期以来一直在寻找能够准确评估脑功能状态的工具，以便早期识别认知衰退、疾病风险和预期寿命的变化。

传统的脑电图（EEG）分析方法主要依赖于临床医生的目视检查或基于有限特征的经典机器学习模型。这些方法的准确性往往不理想——基于人口统计学特征或由专家定义的EEG特征建立的模型，对认知功能的预测相关性接近零，对疾病分类的准确度仅在50%至55%左右。这远远不足以满足临床筛查和风险分层的需求。

此次研究采用深度学习方法，从睡眠脑电图中提取更深层的脑健康信息，有望突破这些局限。

研究方法与创新

研究团队分析了来自6个大型队列研究的36000份多导睡眠图记录，涉及27000名受试者。这些队列包括美国麻省总医院、弗明翰心脏研究、多族裔睡眠鼾声研究等权威机构的数据，庞大的规模为深度学习模型的训练和验证提供了坚实基础。

核心创新在于开发了一个多任务深度神经网络。该网络以脑电图频谱图为输入，采用深度可分离卷积、MaxViT和Transformer等先进结构，学习了包含1024维的脑健康潜在空间。该网络同时预测认知表现、疾病状态和睡眠指标，最后将这个多维潜在空间蒸馏为单一的脑健康评分（BHS）。

研究采用了五折交叉验证，并在独立队列中进行了外部验证，以确保模型的稳健性和可推广性。

主要发现

• 深度学习生成的脑健康评分显著超越传统方法。认知功能相关性从接近零提升至中等水平（相关系数r=0.40），疾病分类的曲线下面积（AUROC）从0.50–0.55提高到0.65–0.75。
• 脑健康评分与死亡风险呈现强烈的保护关联。评分每增加一个标准差，死亡风险降低31–35%（风险比0.65–0.69，P<0.0001），这一效应优于传统EEG指标，如快速眼动睡眠占比和睡眠纺锤波密度。
• 深度学习模型在睡眠分期任务上达到最先进水平，Cohen’s kappa系数达0.75，表明模型在捕捉睡眠阶段特征方面表现出色。
• 潜在空间展现出有组织的结构，反映了生理上有意义的模式。在独立队列（BIDMC）的外部验证中，模型成功验证了死亡率预测能力，并证明脑健康评分相比基于EEG的脑年龄指数具有额外的预测价值。

临床意义与应用前景

这项研究建立的框架提供了一个稳健且可解释的、基于睡眠的脑健康生物标志物，具有重要的临床应用潜力。在认知衰退筛查中，脑健康评分可帮助临床医生识别处于高风险的患者，实施早期干预措施。同样，在疾病和死亡风险的分层中，该评分也能提供有价值的信息。

多任务潜在空间架构的一个重要优势在于其良好的可扩展性。未来研究可以整合多模态数据，包括神经影像学检查、血液生物标志物和基因组数据，进一步增强临床效用并深化对脑健康机制的理解。这种整合有望为个体化医学提供更全面、更精准的工具。

局限性与反思

虽然这项研究规模宏大、方法严谨，但也存在值得注意的局限。模型的可重复性评分为中等水平，这意味着在不同数据集或实际临床应用中仍需进一步验证。此外，虽然已在独立队列中进行了外部验证，但临床推广前还需要更广泛的、涵盖更多人群的验证研究。

Original paper: Brain Health from Sleep EEG: A Multicohort, Deep Learning Biomarker for Cognition, Disease, and Mortality. — NEJM AI. 10.1056/aioa2500487

🎧 收听播客