基于机器学习的轻度认知障碍阶段的估计,使用多模式的物理和行为测量
Ingyu Park1, Sang-Kyu Lee2, Hui-Chul Choi3
1Department of Electronic Engineering, Hallym University, Chuncheon-Si, Republic of Korea.
Scientific reports
|October 9, 2025
概括
来自物理和行为数据的数字生物标志物可以准确地检测轻度认知障碍 (MCI) 严重程度. 这种方法提供了一个可扩展的,低成本的方法,用于早期检测和监测认知衰退.
科学领域:
- 神经学 神经学
- 生物标志物 生物标志物
- 人工智能的人工智能
背景情况:
- 轻度认知障碍 (MCI) 是痴呆症的前体,早期发现对于改善患者的治疗结果至关重要.
- 目前的诊断方法,如MRI和神经心理测试,在可访问性和可扩展性方面面临挑战.
- 开发可访问,可扩展的数字生物标志物对于早期MCI检测和管理至关重要.
研究的目的:
- 评估多式联络物理和行为测量作为数字生物标志物的潜力,以估计MCI严重程度.
- 通过使用步态,身体组成和睡眠数据来评估机器学习模型的分类性能.
- 将这些数字生物标志物的疗效与传统的MRI评估进行比较.
主要方法:
- 招募了80名MCI患者,分为早期和晚期阶段,使用迷你精神状态检查得分.
- 收集的步态,身体组成 (DXA),睡眠 (多睡眠学) 和大脑MRI数据.
- 利用机器学习模型 (SVM,随机森林,MLP,CNN) 来分析单模和多模数据进行分类.
主要成果:
- 仅使用物理和行为数据的机器学习模型在区分MCI早期和晚期阶段方面取得了高准确性 (AUC高达94%) .
- 性能与基于MRI的模型相似,在结合数据类型时仅略有改善.
- 认知功能的关键预测因素包括步行速度,瘦身量和睡眠效率.
结论:
- 来自物理和行为信号的多式数字生物标志物可以有效地估计MCI的严重程度.
- 这种方法为早期发现和监测认知衰退提供了一个可扩展和具有成本效益的战略.
- 这些发现支持在现实环境中使用数字生物标志物来管理认知健康.
