0331 从睡眠中学习大脑健康：可推广的 EEG 生物标志物在不同队列中的验证

摘要 引言 睡眠 EEG 编码了关于大脑和系统健康的丰富信息，然而大多数预测模型依赖于人工设计的特征。我们开发了一种端对端的深度学习框架，以学习数据驱动的夜间 EEG 潜在表示，并推导出一个单一的“脑健康评分”。我们在三个大型人群队列中评估了性能，并在 BIDMC 临床样本中进行了完全独立的外部验证。 方法 我们分析了来自六个队列（FHS，MESA，MrOS，SOF，KoGES，MGH）的 36,000 个 PSG 数据，以训练一个多任务模型，使用 C4–M1 EEG 通道作为 1D 时间序列和 2D 频谱图。编码器生成了一个 1024 维的潜在空间；下游模型预测了认知测试分数（例如流体和结晶智力）、疾病状态（例如痴呆症、重度抑郁症）和提炼的脑健康评分。训练使用了交叉验证拆分，并严格区分个体。独立评估包括：（1）保留的人群队列和（2）一个新的 BIDMC 临床队列（N≈6,483），包含全因死亡信息。绩效指标包括认知相关性、疾病的 ROC-AUC 和死亡的 Cox 模型。 结果 在经过交叉验证的训练队列中，深度学习得出的评分超越了人口统计基准和使用专家定义的 EEG 特征的经典机器学习模型。认知相关性达到 R ≈ 0.35–0.40；疾病分类的 AUC 范围在 0.65–0.75 之间。在死亡分析（MrOS，MGH）中，评分每 SD 增加预测死亡风险降低 31–35%（HR 0.65–0.69，p 0.0001）。在独立的 BIDMC 验证队列中，评分在未重新训练的情况下得到推广；每 1-SD 增加预测年龄调整后的死亡率降低 24%（p 0.0001）。效应大小可与发展队列中观察到的相媲美或超过，证明其可转运性到实际临床 EEG 中。 结论 单次夜间 EEG，通过端对端深度学习分析，提供了一个可推广的脑健康生物标志物，预测了不同人群中的认知、疾病风险和死亡率。独立验证在 BIDMC 确认了在临床异质背景中的性能，支持其在研究和临床实践中可扩展部署的潜力。支持（如有） NIH 资助 R01AG073410 和 R01HL161253。