编辑推荐：
为解决早期检测神经认知障碍（NCD）的难题，大阪大学研究人员开展基于新型双任务系统的 AI 假设模型研究。结果显示该系统预测 NCD 能力强，但输出值临床意义局限于筛查。其有助于临床早期筛查 NCD 患者。
在人口老龄化加剧的当下，神经认知障碍疾病，如阿尔茨海默病痴呆（ADD）、路易体痴呆（DLB）和轻度认知障碍（MCI）等，给社会和家庭带来沉重负担。早期精准检测这些疾病，对患者接受有效治疗、延缓病情发展至关重要。然而，目前临床诊断面临诸多挑战。一方面，在初级医疗环境中，痴呆的误诊现象较为常见；另一方面，现有的诊断方法要么需要专业知识和复杂操作，要么准确性欠佳。例如，一些传统的认知测试，受测试者主观因素和测试环境影响较大，难以在大规模人群筛查中广泛应用。为了攻克这些难题，来自大阪大学（Osaka University）等机构的研究人员开展了一项极具意义的研究，相关成果发表在《Scientific Reports》上。
研究人员为了探究基于人工智能（AI）的假设模型在神经认知疾病诊断中的价值，构建了一种新型双任务系统。该系统结合了深度学习技术，融合认知测试数据和步态分析，通过参与者在完成认知任务时的步态表现，输出一个 “y 值”，以此预测其是否患有神经认知障碍。
在研究方法上，主要包括以下几个关键部分：一是精心挑选研究对象，神经认知障碍组（NCD 组）选取了参与过往双任务实验、确诊为 ADD、DLB 或 MCI 且在实验日期一年内完成常规神经心理学评估的患者；健康对照组（HC 组）则从社区招募，要求年龄在 70 - 90 岁，能使用智能手机或平板电脑，且 MMSE 得分 28 分及以上，日常生活活动自评良好。二是运用先进的双任务系统，该系统集成了 Microsoft Kinect V2 相机、个人电脑、显示屏等设备，参与者需在扶手间踏步的同时回答屏幕上的算术问题，系统会记录相关数据并通过 Pose Network、Cog Network 和 Fusion Network 三个神经网络计算出 y 值。三是全面收集数据，从医院电子健康记录中提取参与者的临床数据，涵盖人口统计学信息、病史、神经心理学测试结果等多方面。四是进行严谨的统计分析，运用 Student’s t 检验、卡方检验、Pearson 相关系数分析以及逻辑回归分析、受试者工作特征（ROC）分析等方法，探究各指标间的关系及系统的诊断效能。
研究结果主要有以下几方面：
- 参与者基本信息：NCD 组共 97 人，包括 42 例 ADD、11 例 DLB 和 44 例 MCI 患者；HC 组 249 人。两组在年龄和 MMSE-J 得分上差异显著，NCD 组 y 值明显高于 HC 组1。
- 相关性分析：y 值与 MMSE-J 得分呈显著负相关（r = -0.263），与部分神经心理学测试如 FAB、ACE-III 总分等呈弱负相关，仅与 CDR-SB 呈中等相关。而 MMSE-J 与众多认知测试的相关性更强23。
- 诊断效能评估：ROC 分析表明，y 值区分 NCD 和 HC 的最佳截断点为 0.397，灵敏度 0.969，特异性 0.912，曲线下面积（AUC）为 0.981；MMSE 最佳截断点为 27，灵敏度 0.845，特异性 1，AUC 为 0.934，y 值的诊断准确性优于 MMSE4。
在研究结论和讨论部分，该新型双任务系统展现出强大的预测神经认知障碍的能力，其 y 值在诊断准确性上超过了传统的 MMSE。然而，y 值与具体认知测试和痴呆严重程度量表的相关性不如 MMSE-J 紧密。这意味着，虽然该系统在筛查神经认知障碍方面表现出色，但在全面评估神经认知功能缺损方面存在一定局限性。不过，深度学习训练使得系统能减少多种因素干扰，在普通诊所和社区筛查 MCI 及早期痴呆方面具有潜在应用价值，尤其适用于缺乏专业认知测试资源的地区。
这项研究为神经认知障碍的早期筛查提供了新的思路和方法，尽管目前系统存在一些不足，如数据收集机构单一、未涵盖所有类型痴呆等，但随着后续研究的深入和样本量的增加，有望进一步优化和完善，为临床实践带来更多帮助。
