MemTrax機器學習分類模型有效應用於認知障礙的診斷支持

來源：邁睦睿

2020年9月4日，國際著名期刊《阿爾茨海默病（AD）雜誌》印刷前發布標題為「MemTrax和機器學習建模在輕度認知障礙分類中的效用」的論文，這也是MemTrax在中國應用的臨床研究成果發表的SCI文章。

我們在「MCI全球專家共識：數位化認知測評工具MemTrax有利於大規模自我認知評估篩查」一文中已經討論了早發現MCI和AD的重要性以及全球專家工作組列舉MemTrax為現有居家認知評估顛覆性產品範例之一。

MemTrax是一款使用圖像識別、非常簡便易用的網際網路記憶認知測評測試工具，可以在居家和醫療場所使用。我們對中國兩家醫院招募的259名成人患者進行了橫截面研究。我們主要研究目標是：驗證MemTrax 測試結果-識別正確率和反應時間，相關人口統計學和健康特徵能否有效地用於機器學習開發的預測模型對蒙特婁認知評估 （MoCA） 界定的認知健康進行分類（正常人群與 MCI患者）。以及上述機器學習模型能否有效地應用於臨床診斷確定的認知障礙患者嚴重程度（輕重度與嚴重性）的預測。

參與研究的每位患者在同一天接受了中文版MoCA和MemTrax記憶認知測評。基於MoCA閾值作為MCI評判標準，MCI的機器學習預測分類模型使用2個 MemTrax 測試指標（識別正確率和反應時間）以及8項包括年齡、受教育程度和病史等數據進行構建，並使用接收器操作特性曲線(receiver operating characteristic curve， ROC)的曲線下面積（AUC）評估模型性能。AUC數值越大，診斷準確性越高。結果表明，使用10個數據用 Naéve Bayes方法建模的表現最佳，預測MCI的整體AUC為 0.9093。此外，如果僅使用4個數據（年齡，受教育程度和MemTrax的識別正確率和反應時間）建模，Naéve Bayes方法建模預測MCI的AUC為0.9119，優於使用所有 10 個數據建模。同時，如果使用有臨床診斷的病人數據建模，Naéve Bayes方法建模區分AD和MCI-AD的AUC為0.7810，區分血管性痴呆（VaD）和MCI-VaD的AUC為0.8044.

我們的研究結果支持使用MemTrax 數據建模預測認知障礙應用中的下列關鍵點：

用廣為使用的MoCA作為MCI評判標準, 包含 MemTrax結果的預測模型可以可靠地對認知健康狀況（正常認知健康或 MCI）進行分類。

結合臨床診斷數據，我們的分類建模可以對不同階段的痴呆症進行分類，揭示了利用 MemTrax 測試結果在區分痴呆症診斷嚴重程度中的應用潛力。

研究結果支持將MemTrax 測試結果指標集成到早期認知障礙的分類預測模型的篩選應用程式中。

這些新的發現為基於 MemTrax的機器學習分類模型可以有效的應用於認知障礙患者的診斷支持和患者管理等方面提供了確鑿的證據。我們的研究成果在MCI和AD等認知障礙疾病的早發現方法上邁出了重要一步，並為認知障礙的規模化篩查和普查奠定了基礎。

文獻：

[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

文獻下載地址：

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