基于人工智能和常规T1加权MRI实现2型糖尿病伴轻度认知障碍的自动诊断

本研究创新性地利用人工智能（AI）技术，结合常规T1加权磁共振成像（MRI）、神经心理学量表及临床生化指标，构建随机森林（Random Forest, RF）模型，实现2型糖尿病（T2DM）伴轻度认知障碍（MCI）的自动、精准诊断。该模型整合了8个关键特征（包括双侧脑干体积、左海马体积等5个结构指标，数字广度测试（DST）及糖化血红蛋白（HbA1c）、血糖2个实验室指标），训练集曲线下面积（AUC）达0.959，测试集AUC为0.887，为T2DM-MCI的早期识别提供了客观、高效的临床工具，具有重要转化价值。

　　

引言

糖尿病（Diabetes Mellitus, DM）是一种以持续性血糖升高为特征的慢性代谢性疾病，也是一种可影响人体几乎所有器官系统的全身性疾病。其并发症包括卒中、心血管疾病、周围动脉疾病、神经病变、视网膜病变、肾病和免疫功能低下等。此外，糖尿病还可对脑组织和脑血管结构产生不利影响，导致神经系统出现一系列结构和功能紊乱。近几十年来，糖尿病已从主要被视为一种代谢性疾病转变为一种多方面的疾病实体，凸显了其新兴并发症所带来的日益加重的负担和风险。

糖尿病长期以来一直被认为是广泛认知功能障碍的潜在前兆。在2型糖尿病（Type 2 Diabetes Mellitus, T2DM）的具体背景下，认知能力下降表现为一个连续的进展过程，包括糖尿病相关认知能力下降、轻度认知障碍（Mild Cognitive Impairment, MCI），最终发展为痴呆。这种认知功能障碍，以记忆、注意力、语言和执行功能受损为特征，对患者、其家庭和更广泛的医疗界构成了巨大挑战。因此，早期识别T2DM伴轻度认知障碍（MCI）患者的改变对于优化患者护理和推进未来治疗策略至关重要。

T2DM对脑功能和认知功能障碍的影响已引起学术界的广泛关注。T2DM与认知能力下降之间的复杂关系是多方面的，尽管这种联系背后的确切机制仍部分难以捉摸，但一些潜在的病理过程已经显现。研究强调高血糖、血管因素、氧化应激、炎症和胰岛素抵抗是T2DM个体认知障碍的关键因素。此外，广泛的研究已经确定了T2DM患者认知功能障碍的风险因素。许多研究指出年龄、教育水平、糖化血红蛋白（HbA_1c）水平、肌酸激酶水平、严重低血糖事件和营养不良是T2DM患者认知障碍的独立预测因素。其他研究通过开发和验证预测T2DM患者轻度认知障碍的风险评分，进一步加深了我们对这一复杂问题的理解。

大脑的功能改变与各个脑区发生的结构修改有着内在联系，而这些结构变化又会引起相应的功能转变。新的证据表明，细微的神经结构改变可能先于T2DM个体认知障碍的临床表现。先进的神经影像学研究揭示了在出现明显认知缺陷之前，T2DM患者存在微观脑结构异常，包括白质完整性破坏、灰质萎缩和功能连接改变。这些临床前神经影像学发现强调了从磁共振成像（MRI）及相关模态中提取的生物标志物在识别糖尿病相关认知能力下降高风险个体方面的潜在效用。值得注意的是，此类生物标志物可能在早期神经认知症状仍处于亚临床状态的临床场景中提供关键的诊断见解，突出了它们在为及时干预策略提供信息以减轻进行性神经元损伤方面的价值。

神经影像学研究表明，与年龄匹配的健康对照组相比，T2DM个体表现出明显更大的脑萎缩和血管病变。特别重要的是，定量MRI分析揭示了加速的灰质体积损失、对认知功能至关重要的额叶和颞叶区域的皮质变薄，以及β-淀粉样蛋白沉积增加——这些集体涉及糖尿病相关认知障碍背后的神经退行性级联的病理学标志。这些成像指标不仅与代谢失调（如慢性高血糖和胰岛素抵抗）相关，而且还为血管损伤和神经退行性过程对T2DM人群神经认知轨迹的协同效应提供了机制性见解。

此外，先进的神经影像分析阐明，T2DM与广义的皮质萎缩和特定形态计量脑网络内的局部神经退行性改变有关。特别重要的是，这些研究在认知 salient 区域确定了重叠的神经解剖学基质，最显著的是在边缘-旁边缘回路中——这是一个对记忆巩固、情绪调节和认知控制至关重要的网络。值得注意的是，海马体（一个对情景记忆编码至关重要的内侧颞叶结构）和扣带回（一个在注意调节中涉及显著性网络的关键节点）特别容易受到T2DM相关神经病理学的影响。这些区域脆弱性被假设源于协同的代谢应激源，包括慢性高血糖、血管炎症和神经炎症级联反应，它们共同破坏突触完整性并促进易感回路中的神经元凋亡。

利用成熟啮齿动物模型（特别是糖尿病大鼠）的临床前研究为糖尿病（DM）的神经病理学后遗症提供了关键见解。这些研究表明，慢性高血糖诱导进行性脑萎缩，并伴有髓鞘形成过程特征性的髓鞘降解和白质束的空泡化 disintegration。值得注意的是，此类组织病理学标志在物种间重现，强调了它们与人类T2DM相关神经认知衰退的转化相关性。这些发现共同强调了T2DM中结构和功能脑变化之间复杂的相互作用及其对认知健康的潜在影响。

虽然先前的研究剖析了T2DM神经认知功能障碍的个体风险因素，但关于这些变量的层次重要性及其相互依赖关系的关键知识差距仍然存在。具体而言，传统的分析方法没有系统地整合多维风险 profile，也没有利用人工智能（AI）方法来 unravel 这种状况的复杂性。这些局限性 underscore 需要创新的、数据驱动的框架来剖析T2DM相关神经认知功能障碍的发病基础。

为填补这一关键空白，我们的研究采用了一种新颖的AI驱动方法， harmonize 了三个相互关联的数据层。研究中利用了包括705个结构特征、一系列神经心理学测试和标准实验室测试在内的综合数据集。通过将这些多维风险因素整合到一个诊断框架中，开发了一个人工智能（AI）驱动的自动诊断模型，以实现对2型糖尿病神经认知功能障碍的高保真、数据驱动评估。该框架的核心是实施随机森林（Random Forest, RF）分类器，一种集成学习算法，通过双重创新克服了传统模型的局限性。首先，其固有的高维数据处理能力解决了神经影像分析中的特征冗余，通过多数投票减少了过拟合风险，同时保留了关键生物标志物。其次，该模型的非线性建模 prowess 通过特征空间的递归分割捕获了复杂的病理生理相互作用，每棵决策树编码非线性关系（如海马萎缩与HbA_1c水平之间的阈值效应），而森林集成汇总了这些模式，以揭示大脑结构变化、代谢失调和认知测试性能之间更高阶的协同作用。该模型通过将异质性临床、代谢和神经影像变量合成为可操作的风险 profile，超越了传统诊断范式，确保了识别细微认知下降的敏感性和特异性。此外，通过分析我们AI自动诊断模型中的最优特征，我们获得了设计个性化治疗策略的关键见解。具体来说，该模型识别出哪些可改变的风险对糖尿病认知衰退影响最大。这使得临床医生能够根据每个患者的独特情况量身定制干预措施。AI模型通过 pinpointing 风险组合，比传统方法更早地检测到细微的认知变化。这种多模态AI模型使临床医生能够准确、客观地评估2型糖尿病患者是否伴有轻度认知障碍，从而为后续的精准诊断和治疗决策提供有力支持。同时，临床医生获得了一个灵活的框架，以使用及时、有研究支持的治疗来延迟认知衰退。最终，这种方法展示了AI将复杂生物模式转化为实用解决方案的力量， bridging 实验室发现与患者治疗之间的 gap。

这种创新模型代表了诊断精度的范式转变，利用多维数据集成超越了传统诊断的局限性。通过解码代谢失调与神经认知缺陷之间复杂的相互作用，它不仅加速了临床前糖尿病相关认知障碍的识别，而且还为临床医生提供了一个动态的风险计算框架。这种精细的诊断分层使得能够制定个体化护理路径，将药物治疗、生活方式优化和神经认知康复合并为一个有凝聚力的策略。该模型将复杂的生物学见解转化为可操作的临床智能的能力，预示着预防性神经内分泌学的新时代，及时干预可能 potentially disrupt 将高血糖与痴呆联系起来的致病 cascade。

材料与方法

参与者

本研究共招募了90名参与者，包括30名健康对照者、30名无轻度认知障碍的2型糖尿病（T2DM）患者（T2DM组）和30名伴有轻度认知障碍的T2DM患者（T2DM-MCI组）。系统收集并分析了所有参与者的人口统计学和临床数据，包括性别、年龄和受教育年限。研究人群于2015年10月至2024年6月期间从我们医院招募，包括伴有和不伴有MCI的T2DM个体。T2DM的诊断是根据世界卫生组织（WHO）制定的诊断标准确定的。MCI的诊断采用欧洲阿尔茨海默病联合会提出的标准。该标准包括以下参数：简易精神状态检查（MMSE）评分 > 24分，临床痴呆评定量表（CDR）评分 ≥ 0.5分，蒙特利尔认知评估（MoCA）评分 < 26分，日常生活活动能力（ADL）评分正常，以及主观记忆抱怨。所有参与者均接受了结构MRI扫描以及全面的神经学和神经心理学评估。在研究开始前，获得了每位参与者的书面知情同意。仅纳入右利手个体。有脑损伤史、重度抑郁症、帕金森病、酒精中毒、癫痫或任何其他精神或神经疾病史的参与者被排除在研究之外。此外，有MRI禁忌症、严重幽闭恐惧症、痴呆（MMSE评分 ≤ 24分）或严重抑郁症（汉密尔顿抑郁评定量表（HAMD）评分 ≥ 18分）的个体也被排除。在我们的研究中，出现微血管并发症（特别是神经病变、视网膜病变和肾病）的T2DM患者被排除参与。我们招募了30名志愿者作为健康对照（HC），他们报告无血管危险因素、神经系统疾病、精神疾病或认知抱怨。对每个个体，都精心测量了体重、身高和体重指数（BMI）。本研究经我们机构的医学伦理委员会批准，并严格遵守《赫尔辛基宣言》的原则进行。

神经心理学评估

神经心理学评估包括一套全面的测试，包括简易精神状态检查（MMSE）、蒙特利尔认知评估（MoCA）、汉密尔顿抑郁量表（HAMD）、数字符号编码测试（DSCT）、数字广度测试（DST）、词语流畅性测试（VFT）、雷伊-奥斯特里特复杂图形测试（ROCF）、听觉词语学习测试（AVLT）、轨迹制作测试（TMT）。

标准实验室测试

进行了标准实验室分析以评估一组全面的生物标志物，包括糖化血红蛋白（HbA_1c）、空腹C肽、空腹胰岛素、空腹血浆葡萄糖（FPG）、甘油三酯（TG）、总胆固醇（TC）、低密度脂蛋白（LDL）、高密度脂蛋白（HDL）、血尿素氮（BUN）、同型半胱氨酸、尿微量白蛋白、尿酸、胱抑素C、血清肌酐、促甲状腺激素（TSH）、游离三碘甲状腺原氨酸（FT3）和游离甲状腺素（FT4）。

MR图像采集

所有磁共振成像（MRI）检查均使用3特斯拉Trio MRI扫描仪（西门子医疗，埃尔兰根，德国）和12通道相控阵头线圈进行。指示参与者在整个成像过程中保持仰卧位、静止不动并闭上眼睛。使用T1加权磁化准备快速梯度回波（MPRAGE）序列获取三维高分辨率结构图像，参数如下：反转时间（TI） = 900 ms，回波时间（TE） = 2.52 ms，重复时间（TR） = 1,900 ms，翻转角 = 9°，176层，层厚 = 1.0 mm，矩阵大小 = 256 × 256，体素大小 = 1 × 1 × 1 mm3。随后，对所有受试者进行常规脑T1加权成像（TE/TR = 2.78/200 ms，翻转角 = 70°，25层，层厚 = 4.0 mm，矩阵大小 = 384 × 384，体素大小 = 0.7 × 0.6 × 5 mm3）和液体衰减反转恢复（FLAIR）成像（TI/TE/TR = 2500/93/9000 ms，翻转角 = 130°，25层，层厚 = 4.0 mm，矩阵大小 = 256 × 256，体素大小 = 0.9 × 0.9 × 4 mm3），以排除潜在的白质异常和器质性脑病变。

图像处理

MRI扫描仪获取的数据被导出到专用的图像处理工作站，随后使用Linux操作系统进行离线分析。在进一步检查3D脑图像之前，所有图像都经过精心验证以确保不受头动影响。随后，数据被转换为MGZ格式（由马萨诸塞州总医院开发的压缩文件格式）。利用FreeSurfer软件（版本5.3.0，可在http://surfer.nmr.mgh.harvard.edu获取），我们测量了结构特征，包括皮质表面积、体积、厚度、曲率指数、折叠指数、高斯曲率、平均曲率、厚度标准差、核体积、海马体积和白质体积。FreeSurfer的自动处理流程包含几个关键步骤，包括通过Talairach坐标变换进行空间标准化、使用混合分水岭/表面形变算法进行去颅骨、使用基于球面膨胀的表面重建进行拓扑缺陷校正、折叠表面的膨胀以及注册到平均球面模板中。为实现灰质/白质组织和脑脊液（CSF）分割的亚毫米精度，采用了可变形表面算法。

特征选择

实施了一种稳健的两步特征选择方法，整合了最小冗余最大相关性（MRMR）和最小绝对收缩和选择算子（LASSO）来识别最具诊断性的特征。该过程被纳入一个5折交叉验证框架中，其中数据被分为训练集和测试集。基于训练集选择的特征通过投票进行聚合以确定模型中使用的最终特征集。最初，在5折交叉验证的每一折中，对训练集应用MRMR，选择与目标变量最相关同时最小化冗余的前10个特征。随后，在每一折中对这些特征应用LASSO进行进一步细化，使用L1正则化项通过将一些系数收缩为零来促进稀疏性。这种综合方法确保了仅保留最具诊断性的特征，从而增强了模型性能和可解释性。最终的特征集是根据所有训练折的投票结果确定的，识别出跨训练折最一致选择的特征。

模型构建与评估

在特征选择之后，随机森林（RF）分类器（人工智能领域内一个强大的机器学习模型）经过精心训练，利用了经过严格细化的精选特征集。模型架构配置为100棵决策树（ntree = 100）以确保误差估计的收敛性，最大树深度限制为2层（max_depth = 2）以防止过拟合。值得注意的是，采用了5折交叉验证方法，提供了模型效用的稳健估计。在此交叉验证之后，计算了平均准确率和受试者工作特征（ROC）曲线。该方法提供了对模型诊断能力的稳健且无偏的评估，从而确保了对其实用性的全面和客观的评估。

统计分析

使用IBM SPSS Statistics（版本20.0；Armonk, NY）进行统计分析。采用Kolmogorov-Smirnov检验评估数据分布的正态性。对于正态分布的变量，使用单因素方差分析（ANOVA）进行组间比较，在ANOVA结果显著后进行Bonferroni校正的事后比较。非正态分布的变量使用Kruskal-Wallis检验进行分析。分类数据使用卡方检验进行评估。特征选择和机器学习模型构建均在uAI Research Portal上建立。随后，通过曲线下面积（AUCs）评估每个模型的诊断价值。具体而言，AUC超过0.9表明诊断效能极佳；AUC在0.7至0.9之间表明诊断效能良好；AUC在0.5至0.7之间表明诊断效能较差；AUC未超过0.5则表示无诊断价值。

结果

T2DM-MCI、T2DM和HC组的人口统计学特征、临床参数和神经心理学数据总结在表1和表2中。三组表现出相似的基线特征，在年龄、性别分布、教育程度、收缩压/舒张压方面未观察到统计学显著差异。使用自动分割方法分析整个大脑，提取了包含705个结构特征的广泛数据集。这些特征涵盖了各种指标，包括皮质表面积、体积、厚度、曲率指数、折叠指数、高斯曲率、平均曲率、厚度标准差、核体积、海马体积和白质体积。为便于建立模型，组织了一个综合数据集，纳入了这套广泛的结构特征，以及一系列神经心理学数据和标准实验室数据。

为精炼数据集并增强模型性能，采用最小冗余最大相关性（MRMR）方法消除不相关和冗余特征（图1）。随后，应用最小绝对收缩和选择算子（LASSO）算法进行进一步的特征选择，确保仅保留最优特征（图2）。

通过这两种严格的特征选择策略，最终选出了八个最优特征，包括双侧脑干体积、左海马体积、左颞横回体积、双侧胼胝体后部体积、左内侧眶额皮质高斯曲率、糖化血红蛋白水平、血糖水平以及数字广度测试（DST）反向得分。最优结构特征如图3所示。

基于组合特征的随机森林（RF）模型表现出优异的性能，基于5折交叉验证，训练数据集的平均AUC为0.959（95% CI, 0.940–0.997，平均特异性 = 94.2%，平均敏感性 = 88.3%，平均准确率 = 88.3%，平均精确率 = 88.3%），测试数据集的平均AUC为0.887（95% CI, 0.746–0.992，平均特异性 = 85.0%，平均敏感性 = 70.0%，平均准确率 = 70.0%，平均精确率 = 69.6%）（表3）。受试者工作特征（ROC）分析揭示了随机森林模型卓越的判别能力和 unwavering 的稳健性（图4）。

讨论

本研究证明了利用常规T1加权MRI、临床生物标志物和神经心理学量表开发人工智能（AI）框架以区分伴有轻度认知障碍（MCI）的2型糖尿病（T2DM）患者、非认知受损的T2DM个体和健康对照者的可行性。我们确定了八个反映T2DM-MCI多因素病理生理学的特征性标志。值得注意的是，双侧脑干体积减少、左海马萎缩、左颞横回体积减小和胼胝体后部变薄的组合特征可能与代谢性疾病中已确立的神经退行性模式相一致。糖化血红蛋白和血糖水平的纳入进一步强调了慢性高血糖与神经变性之间的潜在相互作用。随机森林（RF）模型表现出稳健的诊断性能（训练AUC = 0.959，测试AUC = 0.887），强调了整合结构MRI指标、代谢和神经心理学数据的互补价值。RF模型通过其决策树的层次级联结构，展现出自动捕获变量间非线性关系和高阶相互作用的卓越能力，无需对数据分布进行严格假设。在其协同整合结构MRI指标、代谢参数和神经心理学测试结果的能力中尤为明显——这是 deciphering 糖尿病认知障碍中复杂病理生理相互作用的关键要求。

在T2DM-MCI患者中识别的结构改变主要位于默认模式网络（DMN）和执行控制网络（ECN）的枢纽区域，为糖尿病相关认知衰退的神经机制提供了见解。左海马体积减少是我们研究中的一个标志性特征，海马是DMN的关键节点，负责情景记忆和自我参照加工。T2DM中的海马萎缩可能源于慢性高血糖诱导的氧化应激和受损的胰岛素信号传导，破坏突触可塑性并促进β-淀粉样蛋白（Aβ）沉积。这与Gold等人的发现一致，他们证明了糖尿病患者海马体积减少与血糖控制不良相关。除了海马的结构变化，其功能特性也可能存在异常。Chen等人的研究揭示了认知障碍患者海马区域自发脑活动显著减少。此外，多模态荟萃分析揭示了T2DM-MCI患者大脑结构和功能存在复杂的联合和解离改变，主要涉及DMN、边缘系统、小脑、岛叶和视觉皮层。

同时发生的双侧胼胝体后部变薄（连接顶枕叶区域的主要白质束）可能损害ECN和背侧注意网络（DAN）内的半球间通信，加剧工作记忆和注意力控制缺陷。观察到的左颞横回体积减少和左内侧眶额皮质（mOFC）曲率异常暗示了多感觉整合和显著性网络（SN）调节的功能障碍。颞横回不仅是听觉处理的核心，还通过其与额顶叶网络的连接 contribute 到高阶认知功能。该区域的萎缩可能反映了顶颞叶回路中的早期神经退行性变，并因糖尿病相关的微血管损伤而加剧。同时，mOFC中的异常高斯曲率（SN的一个关键节点）可能表明由于代谢应激导致的皮质折叠模式改变。mOFC整合内脏和情绪刺激，其结构异常可能破坏SN-ECN相互作用，损害决策和错误监控。值得注意的是，数字广度测试（DST）反向得分（一种工作记忆测量）的纳入进一步强调了ECN效率低下，可能与高血糖诱导的白质病变引起的额叶-纹状体回路中断有关。

双侧脑干体积减少凸显了神经调节核团对糖尿病病理生理学的脆弱性，特别是单胺能系统。脑干容纳血清素能（中缝核）和去甲肾上腺素能（蓝斑）神经元，这些神经元调节SN活动和觉醒。这些区域的体积损失可能 diminish 大脑优先处理 salient 刺激的能力，导致T2DM-MCI的注意力缺陷。这与弥散张量成像研究显示糖尿病相关的皮质脊髓束轴突变性相一致。此外，升高的糖化血红蛋白（HbA_1c）和血糖水平可能通过晚期糖基化终末产物（AGE）积累和血脑屏障（BBB）功能障碍加剧神经退行性变，特别是在海马等葡萄糖敏感区域。慢性高血糖加速了额颞叶网络中的脑代谢减退， mirroring 阿尔茨海默病样代谢模式。

慢性高血糖和升高的HbA_1c水平可能通过多种协同途径驱动T2DM-MCI中的认知障碍，包括AGE积累、氧化应激和血脑屏障（BBB）功能障碍。长期高血糖加速AGEs的形成，AGEs与细胞外基质蛋白交联，损害神经元可塑性和微血管完整性。AGEs还与其在内皮细胞上的受体（RAGE）结合，触发促炎级联反应，加剧神经炎症和突触损失，特别是在对记忆和执行功能至关重要的海马和前额叶皮层。研究表明，T2DM患者中AGE积累与灰质体积减少和认知能力下降相关。同时，高血糖诱导的氧化应激耗竭内源性抗氧化剂，导致线粒体功能障碍和神经元凋亡，如在糖尿病啮齿动物模型中观察到的那样。高血糖进一步破坏脑血流动力学和BBB通透性， foster 一个神经毒性环境。升高的血糖水平损害内皮功能，减少脑血流量，并导致海马等葡萄糖敏感区域的慢性缺氧。BBB渗漏（由紧密连接蛋白降解介导）允许神经毒性血浆成分（如纤维蛋白原、凝血酶）流入，激活小胶质细胞和星形胶质细胞，驱动神经炎症。这一过程因胰岛素抵抗而加剧，胰岛素抵抗削弱了对神经元存活和tau蛋白磷酸化调节至关重要的神经保护性胰岛素信号通路。Brundel等人报告称，T2DM患者表现出加速的白质高信号和皮质变薄，与阿尔茨海默病样神经退行性变相平行。因此，我们研究中观察到的双侧胼胝体后部变薄可能反映了由于持续代谢损伤导致的BBB breakdown 和 Wallerian 变性。代谢失调和大脑结构变化之间的相互作用可能传播认知衰退的恶性循环。高血糖诱导的海马萎缩破坏DMN，损害记忆巩固，而前额叶皮层损伤破坏ECN效率。如我们模型中所识别的，脑干体积减少可能使单胺能系统（如血清素、去甲肾上腺素）失调，损害SN介导的注意力和错误监控。值得注意的是，DST反向得分（工作记忆的标志物）与额叶-纹状体回路完整性相关，该回路易受葡萄糖毒性的影响。这些网络水平的 disruption 与“共同土壤”假说一致，该假说假定T2DM与神经退行性变之间存在共享的血管和炎症通路。未来针对AGE抑制剂、抗氧化途径或BBB稳定的干预措施可能会减轻糖尿病相关的认知衰退。

我们研究中开发的机器学习框架表明，战略性地策划的神经解剖学、代谢和神经心理学特征的组合对早期T2DM-MCI检测具有 substantial 判别力。通过MRMR-LASSO选择的八个最优特征——涵盖双侧脑干体积、左海马萎缩和糖化血红蛋白水平——反映了一种单模态方法可能忽略的多模态病理生理学。值得注意的是，结构MRI指标（如左内侧眶额皮质高斯曲率）与生化标志物（HbA_1c、血糖）和DST反向得分的整合，与新兴证据一致，即糖尿病相关的认知衰退源于神经变性和代谢失调之间的协同相互作用。随机森林（RF）模型的参数，包括决策树数量（100）和最大树深度（2），通过训练数据集中的自动超参数调优算法进行了严格优化。通过利用一个广泛认可的Python包进行超参数调优，该方法确保了可重复性并与机器学习的最佳实践保持一致。这种数据驱动的方法确保了最终模型参数在诊断性能和临床适用性方面都得到了客观优化。RF模型的稳健性（训练AUC = 0.959，测试AUC = 0.887） underscore 了AI驱动工具在解析复杂、高维数据集方面的临床可行性。其卓越的特异性（训练中94.2%，测试中85.0%）表明在早期筛查中最小化假阳性方面具有特别效用，鉴于T2DM-MCI表现的 subtlety，这是一个关键优势。

我们的研究仍存在几个局限性。我们的研究样本量相对较小，归因于严格的纳入标准。虽然这种情况增强了队列同质性，但可能限制了研究结果的普遍性。该模型的敏感性、特异性和在真实临床环境中的普遍性很可能遇到挑战和限制。排除患有微血管并发症（如神经病变、视网膜病变、肾病）的T2DM患者无疑引入了谱偏倚。虽然这一排除在我们最初的概念验证研究中有必要，以控制潜在的混杂效应并分离T2DM、大脑结构和认知状态之间的关系，但排除有并发症的T2DM患者可能会限制其对更广泛T2DM人群的普遍性，可能夸大性能估计。我们的队列代表了一个“更清洁”的表型亚组，因此，当应用于临床实践中看到的更异质性、包括具有一系列共病和并发症患者的更广泛T2DM人群时，此处报告的优异诊断性能可能过于乐观。因此， critically 重要的是要强调，在独立的、更大的、更具代表性的队列（特别是那些包括跨疾病严重程度和并发症 profile 全谱的T2DM患者的队列）中进行外部验证是必不可少的下一个步骤。这种验证是任何未来该模型临床转化的强制性先决条件。在我们未来的研究中，我们将利用更大的样本量来进一步证实我们当前研究的发现。训练和测试性能之间的差异凸显了在多样化队列中进行外部验证的必要性。虽然我们当前的模型已经表现出强大的性能和广泛的适用性，我们打算在未来的工作中，通过纳入额外的多中心数据集进行外部验证，进一步巩固其普遍性。该模型对常规T1加权MRI的依赖增强了可扩展性，但可能排除了来自高级模态（如弥散张量成像）的动态功能或微观结构 insights。未来的研究可以整合纵向HbA_1c轨迹或淀粉样蛋白PET数据以 refine 诊断准确性，同时 also 探索机制深度。在后续研究中，将进行一项纳入MCI患者以及从T2DM伴MCI逆转为单纯T2DM患者的纵向研究，以调查我们随机森林模型的诊断潜力。承认本研究的局限性至关重要。相对 modest 的样本量，尽管与该特定领域早期开创性研究相当， inherently 限制了我们研究结果的普遍性，并可能在特征选择过程中引入不稳定性。虽然重复交叉验证策略和报告的置信区间有助于在此约束下提供更稳健的评估，但性能估计将受益于在更大的独立队列中的验证。因此，我们未来工作的一个主要方向将是招募更多参与者，以进一步验证和完善所提出的模型，增强已