MemTrax机器学习分类模型可以有效应用于认知障碍患者的诊断支持

来源：brainnews

2020年9月4日，国际著名期刊《阿尔茨海默病（AD）杂志》印刷前发布标题为“MemTrax和机器学习建模在轻度认知障碍分类中的效用”的论文，这也是MemTrax在中国应用的临床研究成果发表的SCI文章。

我们在“MCI全球专家共识：数字化认知测评工具MemTrax有利于大规模自我认知评估筛查”一文中已经讨论了早发现MCI和AD的重要性以及全球专家工作组列举MemTrax为现有居家认知评估颠覆性产品范例之一。

MemTrax是一款使用图像识别、非常简便易用的互联网记忆认知测评测试工具，可以在居家和医疗场所使用。我们对中国两家医院招募的259名成人患者进行了横截面研究。我们主要研究目标是：验证MemTrax 测试结果-识别正确率和反应时间，相关人口统计学和健康特征能否有效地用于机器学习开发的预测模型对蒙特利尔认知评估 （MoCA） 界定的认知健康进行分类（正常人群与 MCI患者）。以及上述机器学习模型能否有效地应用于临床诊断确定的认知障碍患者严重程度（轻重度与严重性）的预测。

参与研究的每位患者在同一天接受了中文版MoCA和MemTrax记忆认知测评。基于MoCA阈值作为MCI评判标准，MCI的机器学习预测分类模型使用2个 MemTrax 测试指标（识别正确率和反应时间）以及8项包括年龄、受教育程度和病史等数据进行构建，并使用接收器操作特性曲线(receiver operating characteristic curve， ROC)的曲线下面积（AUC）评估模型性能。AUC数值越大，诊断准确性越高。结果表明，使用10个数据用 Naéve Bayes方法建模的表现最佳，预测MCI的整体AUC为 0.9093。此外，如果仅使用4个数据（年龄，受教育程度和MemTrax的识别正确率和反应时间）建模，Naéve Bayes方法建模预测MCI的AUC为0.9119，优于使用所有 10 个数据建模。同时，如果使用有临床诊断的病人数据建模，Naéve Bayes方法建模区分AD和MCI-AD的AUC为0.7810，区分血管性痴呆（VaD）和MCI-VaD的AUC为0.8044.

我们的研究结果支持使用MemTrax 数据建模预测认知障碍应用中的下列关键点：

用广为使用的MoCA作为MCI评判标准, 包含 MemTrax结果的预测模型可以可靠地对认知健康状况（正常认知健康或 MCI）进行分类。

结合临床诊断数据，我们的分类建模可以对不同阶段的痴呆症进行分类，揭示了利用 MemTrax 测试结果在区分痴呆症诊断严重程度中的应用潜力。

研究结果支持将MemTrax 测试结果指标集成到早期认知障碍的分类预测模型的筛选应用程序中。

这些新的发现为基于 MemTrax的机器学习分类模型可以有效的应用于认知障碍患者的诊断支持和患者管理等方面提供了确凿的证据。我们的研究成果在MCI和AD等认知障碍疾病的早发现方法上迈出了重要一步，并为认知障碍的规模化筛查和普查奠定了基础。

文献：

[1] Bergeron MF, Landset S, Zhou X, Ding, T, Khoshgoftaar TM , Luo M, Zhao F, Du B, Chen X, Wang X, Zhong M, Zhong L, Liu X, Ashford JW (2020) Utility of MemTrax and Machine Learning Modeling in Classification of Mild Cognitive Impairment. J Alzheimers Dis. 77：1545-1558

文献下载地址：

Utility of MemTrax and Machine Learning Modeling in Classification of Mild Cognitive Impairment