编辑推荐：
为区分认知能力卓越者与衰退者，研究人员开发 OptiCS 算法，利用 dMRI 和人口统计学数据预测认知类别，意义重大。
认知衰老，就像时间在大脑中留下的 “痕迹”，每个人的 “痕迹” 却大不相同。多数成年人会经历与年龄相关的认知衰退，但也有一些 “Positive-Agers”，他们在同龄人中认知能力出众，还有 “超级老人”，八九十岁却有着中年人的认知水平。然而，目前却很难区分认知能力卓越者和衰退者，这对于老年人认知问题的治疗是一大阻碍。为了解开这个难题，来自俄克拉荷马州立大学、马里兰大学医学系统、罗格斯大学等机构的研究人员开展了相关研究，其成果发表在《GeroScience》杂志上。
研究人员利用英国生物银行（UK Biobank）中 5797 名参与者的纵向数据进行研究。在研究中，他们用到了认知测试、dMRI 数据和人口统计学信息这三个关键数据来源。通过一系列复杂的分析流程，研究人员开发出了名为 Optimal Cognitive Scoring（OptiCS）的算法，该算法整合了机器学习和优化技术，能有效区分 “Positive-Agers” 和 “Cognitive Decliners”。
研究结果主要有以下几个方面：
- 算法性能优越：当使用 0.15 的分位数阈值时，OptiCS 算法的 AUC 值达到 83%，在准确性、精确性、召回率、特异性和 F1 分数等指标上也表现出色，且始终优于基线模型。这表明该算法在区分不同认知类别上具有较高的可靠性1。
- 特征贡献明确：研究发现，在人口统计学变量中，教育、年龄、腰围和性别对认知分类影响较大。例如，教育水平高的人更可能是 “Positive-Agers”；年龄增长，认知能力下降；男性更易成为 “Positive-Agers”；在一定范围内，腰围增加与 “Positive-Ager” 的可能性呈正相关。在 dMRI 数据方面，“mean MO in fornix cres + stria terminalis”“mean L1 in medial lemniscus” 等多个特征也与认知分类密切相关。比如，“mean MO in fornix cres + stria terminalis” 大于 0.58 时，成为 “Positive-Agers” 的可能性增加约 2%；小于 0.45 时，可能性降低多达 7%235。
- 认知评分系统可靠：OptiCS 算法产生的认知评分系统有诸多优势。它提供了连续的评分机制，能涵盖整个认知表现范围；将认知测试结果映射到 0 - 1 区间，便于比较；且分数范围固定，利于不同人群认知表现的比较。通过对认知测试结果的分析，也验证了该算法在区分 “Cognitive Decliner” 和 “Positive-Ager” 方面的有效性4。
- 认知轨迹分析有效：研究人员对认知轨迹进行分析，发现 Positive-Agers 的认知轨迹呈上升趋势，Cognitive Decliners 呈下降趋势，Normal-Agers 则处于中间。并且，年龄与认知轨迹斜率相关，年龄越大，轨迹斜率越小，认知下降速度越快。通过基线数据预测认知轨迹也有一定成效，利用决策树模型仅基于首次访问信息预测认知类别的准确率可达 79%678。
在研究结论和讨论部分，该研究意义重大。OptiCS 算法为量化认知表现提供了标准化流程，有助于临床医生监测认知健康。通过分析 dMRI 属性和人口统计学因素对认知分类的影响，揭示了影响认知能力的关键因素。同时，提出的预测框架可基于首次访问数据估计未来认知轨迹，对早期发现严重认知衰退、及时进行干预有重要意义。
不过，该研究也存在一些局限性。例如，认知评分系统需要在独立队列中进一步验证；可探索更优的认知测试子集以提高分类效果；研究未深入分析输入特征间的相互作用；且未考虑遗传、睡眠等多种可能影响认知结果的因素。未来研究可针对这些方向进行拓展，从而更全面地了解认知衰老的机制，为改善老年人认知健康提供更有力的支持。
