嗅觉刺激任务的fnirs联合机器学习模型可有效诊断认知障碍-新全讯平台

全世界每3秒就有一例阿尔茨海默病（ad）新发病例，ad一旦发病便不可逆转，轻度认知功能障碍（mci）是ad的前期症状，因此在mci时期早诊断对治疗关口前移尤为重要。

既往研究表明，嗅觉可用于ad的早期诊断[1-4]。基于这一证据，jaewon kim等通过两项独立的诊断干预实验，使用机器学习算法研究嗅觉刺激下近红外脑功能成像技术(fnirs)的潜在诊断效果[5]。

图1 利用原始实验97例被试和附加实验的36例被试数据，建立传统经典模型和机器学习模型并进行验证，右边为两种模型在附加实验中的auc值.

该研究包括先前发表的原始实验(n=97)和一项独立的附加实验(n=34)。

一、原始实验

二、附加实验

• fnirs检测

7通道双波长fnirs设备，检测眶额叶皮层区域。所有参与者进行两种嗅觉刺激（无味vs薄荷味）下的fnirs测量。40s的基线期，然后嗅觉刺激20s，每个测试重复3次（即3分钟）。

• 统计分析

以年龄、性别、体重指数(bmi) 、受教育年限、家庭收入、cci(charlson合并症指数)、apoe4载体、mmse结果、snsb结果的z分数（针对年龄教育水平进行标准化）、淀粉样蛋白pet标准摄取值比率以及脑mri的海马体积分数。使用c统计量来表示受试者工作特征曲线(auc)下的平均面积（0-1，值越高表示预测性越好），使用95%的置信区间作为mci和/或ad的预测模型不确定性的度量，可帮助判断模型的稳定性和可靠性。

• 机器学习模型

首先对数据进行预处理，包括计算每个特征的均值和标准差，并进行归一化处理等。机器学习模型纳入11个特征（fnirs、年龄、性别、家庭收入、吸烟情况、受教育年限、cci、fnirs*受教育年限、fnirs*cci、fnirs*家庭收入、fnirs*年龄）。

下图展示了两个模型的架构。第一个模型是基于轻量级梯度提升(lgb)算法训练模型获得最佳超参数，用于区分mci（不包括ad）和认知正常(cn)。基于优化后的模型，通过对极端梯度提升算法(xgboost)、梯度提升算法(gb)和lgb模型，计算得出mci和cn的概率。第二个模型使用gb和lgb模型的集成方法获得最佳超参数，用于区分mci-ad与cn。通过对gb和lgb模型，计算得出mci-ad和cn的概率。

利用五折交叉验证模型（原始数据集随机分成五个大小相等互斥子集，依次选择四个子集作为训练集，剩下的一个子集作为验证集，使用平衡准确率来评估模型在验证集上的性能），计算出五个模型的平衡精度值，并将其作为交叉验证模型的权重。将五个模型进行加权组合，得出的概率值即为mci和cn (mci-ad和cn) 的最终概率。

图2 两个模型的整体架构

mci和cn的分类使用结合xgboost、gb和lgb三个模型的集成方法，

mci-ad和cn的分类使用结合xgboost、gb、lgb和adaboost四种模型的集成方法。

五倍交叉验证模型的平衡精度值用于交叉验证模型的权重，用以集成模型。

cn: 认知正常; mci: 轻度认知障碍; xgboost: 极端梯度提升算法；

gb: 梯度提升算法；lbg: 轻量级梯度提升算法；adaboost: 自适应增强; ad: 阿尔茨海默病。

三、结果

1、133名受试者中71名cn，41名mci患者，21名ad患者。

2、mci-ad和cn的分类结果，在原始试验和附加试验中，机器学习模型的auc值(0.925、0.825)高于经典统计模型的auc值(0.873、0.639)。mci和cn的分类结果，在原始试验和附加试验中，机器学习模型的auc值(0.860、0.854)高于经典统计模型的auc值(0.852、0.688)。

3、在两种分类模型的11个特征中，fnirs（嗅觉刺激的眶额叶皮层氧合血红蛋白变化）重要性最高。

图3 11个特征的重要性排名(a) mci-ad和cn的分类; (b) mci和cn的分类。

cn: 认知正常; mci: 轻度认知障碍; ad: 阿尔茨海默病; 

od: 嗅觉刺激的眶额叶皮层氧合血红蛋白变化; 

ss：吸烟状况; hi：家庭收入; ye：受教育年限;

 cci: charlson合并症指数。

四、结论

五、讨论

使用嗅觉刺激的fnirs检测时间短，适合各类人群各种场景，fnirs检测成本较低，且没有ct的辐射暴露和量表测试对文化程度的限制等问题，未来普及性会更好。

这种新方法能够快速诊断mci，为mci患者提供更精准的医疗服务，预防ad。

☞ 参考文献：

以上内容由依瑞德集团医学中心翻译整理，有不足之处请指正，转载请注明出处。