认知障碍，包括轻度认知障碍（MCI）和痴呆症，是全球公共卫生领域面临的重大挑战。早期诊断对于及时干预和延缓疾病进展至关重要。血管和神经退行性过程是认知障碍的主要机制。然而，传统的诊断方法往往在疾病晚期才能检测到，错过了最佳干预时机。因此，开发新的早期诊断工具对于改善患者预后和减轻医疗系统负担具有重要意义。

最近，来自新加坡国立大学及其附属医院系统等机构的联合科研团队的一项研究结果在早期诊断认知障碍领域取得了重大进展！

这项研究旨在利用机器学习方法整合认知障碍相关的多领域数据，以构建出一种能够较好分辨出早期认知障碍的模型。

研究的数据来源于新加坡痴呆症流行病学研究（EDIS），这是一个基于人群的大规模研究，旨在识别认知障碍和痴呆症的患病率和风险因素。EDIS涵盖了911名60至88岁的参与者。在这个多元化的群体中，华人、马来人和印度人各占一定比例，男性占比接近一半。研究人员不仅收集了他们的社会人口统计学信息，还深入了解了他们的血管风险因素，并利用先进的神经影像技术，捕捉了大脑结构的微妙变化。

研究团队运用了逻辑回归、支持向量机和梯度提升机这三种机器学习算法，构建了一个强大的模型。这个模型能够分析上述收集到的大量数据，并从中找出预测认知障碍的线索。在此之上，团队还采用了一种称为集成学习的技术，将这三种算法的结果结合起来，进一步提高了诊断的准确性。   

Fig.1 模型结构

结果显示，这个集成模型在测试数据上表现出色，其识别认知障碍的能力令人瞩目。它不仅准确率高，而且在区分认知障碍和无认知障碍个体方面表现出了高敏感性和特异性。这表明，机器学习模型在早期诊断认知障碍方面具有巨大的潜力。

Fig.2 模型指标

Fig.3 AUROC

论文中使用了SHapley Additive exPlanation(SHAP) 分析来提高模型的可解释性。SHAP分析帮助识别了对认知障碍预测贡献最大的预测因子，如年龄、种族、教育水平和神经影像标记。SHAP分析的主要目的是提高模型的可解释性，使得临床医生和研究人员能够理解模型预测背后的逻辑。这对于提高模型在临床实践中的应用和接受度至关重要。

根据论文中的SHAP分析，年龄是最重要的预测因素，年龄较大的个体更有可能被预测为认知障碍。此外，教育水平和种族（特别是华人）被发现与较低的SHAP值相关，这意味着它们与认知障碍的负预测相关。神经影像标记，如海马体体积，也被发现是重要的预测因素。较大的海马体体积与较低的SHAP值相关，表明它可能对预防认知障碍有保护作用。

Fig.4 SHAP值图

这项研究不仅展示了机器学习模型整合多领域数据在认知障碍早期诊断中的应用前景，更为我们提供了一个强大的工具，帮助我们在对抗认知障碍的战斗中占据先机。通过早期识别高风险个体，我们可以为患者提供更有针对性的支持和干预，从而延缓病程，改善他们的生活质量。