基于机器学习的认知衰退检测方法：使用SSWTRT的分类性能与决策分析

《Frontiers in Artificial Intelligence》：Machine learning-based detection of cognitive decline using SSWTRT: classification performance and decision analysis

认知衰退筛查中的声象征词纹理识别测试及机器学习模型研究。采用12张材质图像的日语音符象征词选择测试（SSWTRT），结合年龄和教育年限，通过支持向量机（SVM）、随机森林（RFC）和K近邻（KNN）模型，使用五折交叉验证评估分类性能，SHAP分析揭示图像1（软/糙材质）对分类影响最大，部分题目因年龄相关感官衰退呈现反向效应。模型AUC达0.72，准确性71%，但样本局限于iNPH患者，需进一步验证。

　　本研究探讨了一种基于机器学习的新型认知衰退筛查方法，该方法利用日本的拟声词（sound symbolic words, SSWs）结合图像纹理识别任务，以评估个体是否存在认知功能下降的风险。随着全球老龄化趋势的加剧，认知障碍性疾病如痴呆症和轻度认知障碍（MCI）的患病率显著上升，因此早期识别和干预显得尤为重要。传统的筛查工具，如简易精神状态检查（MMSE），虽然在临床中广泛应用，但其依赖专业人员操作且耗时较长，难以在大规模筛查中普及。为此，研究者开发了一种名为“声音象征性词汇纹理识别测试”（Sound Symbolic Word Texture Recognition Test, SSWTRT）的快速、自我完成的测试方法，旨在提供一种更便捷、非侵入式的认知筛查工具。

SSWTRT通过展示12张贴近日常生活的材料表面特写图像，要求参与者从8个拟声词中选择最能描述其触感的词汇。这些拟声词具有较强的声音与感知之间的联系，即声音象征性（sound symbolism），在日语中尤为常见。例如，“fuwa-fuwa”（柔软）通常用于描述柔软、蓬松的材质，而“zara-zara”（粗糙）则常用来形容粗糙或易摩擦的表面。通过比较参与者对每张图像的选择与健康年轻群体的典型反应，研究团队为每个选项分配了相应的分数。分数越高，表示其与健康人群的感知越接近，反之则表示可能存在认知功能下降。

在研究过程中，共招募了233名参与者，均被诊断为可能患有“特发性正常颅压脑积水”（iNPH）。研究者利用这些数据训练了三种机器学习分类器：K-近邻算法（KNN）、随机森林（RFC）和支持向量机（SVM），并采用五折交叉验证来评估模型的性能。结果显示，经过平衡处理的SVM模型在多个指标上表现最佳，包括准确率（0.71）、精确率（0.72）、召回率（0.72）和F1分数（0.72），同时AUC（曲线下面积）也达到了0.72。这一结果表明，SSWTRT的个体问题得分在一定程度上能够有效区分MMSE得分≤27和≥28的群体，具有一定的临床应用潜力。

为了进一步理解模型的决策机制，研究者使用了SHapley Additive exPlanations（SHAP）方法进行模型解释。SHAP是一种基于博弈论的模型解释技术，能够量化每个输入特征对预测结果的贡献。通过SHAP分析，研究团队发现某些图像的响应对分类结果具有显著影响，尤其是那些描述柔软或粗糙质感的图像。然而，也有部分图像的响应与预期方向相反，这可能反映了年龄相关的感官功能下降，而非纯粹的认知功能退化。例如，某些参与者在面对“fuwa-fuwa”这类柔软词汇时表现出较低的反应频率，而对“zara-zara”这类粗糙词汇则反应更强烈，这可能与他们视力或触觉的衰退有关，而非认知能力的下降。

此外，研究还发现，参与者的教育水平和年龄对分类结果也有一定影响。然而，图像问题得分的影响更为显著，特别是在区分MMSE得分较低的群体时。这表明，SSWTRT中的图像感知能力可能比传统的认知评估指标更具预测价值。不过，某些图像的得分方向与研究初衷不符，这提示研究者需要进一步优化测试内容，确保其能够更准确地反映认知状态。

研究团队还对模型的分类性能进行了详细分析，包括ROC曲线和混淆矩阵。ROC分析显示，SVM模型在FPR约为0.3时，TPR（真阳性率）达到了0.7或以上，这一平衡点有助于在保持较高灵敏度的同时确保一定的特异性。然而，由于测试数据仅来自iNPH患者，模型的适用范围可能受到限制。因此，未来研究应扩大样本来源，包括阿尔茨海默病患者、MCI患者以及认知健康的老年人，以验证该方法的普适性。

尽管SSWTRT在区分认知衰退群体方面表现出一定的潜力，但研究也指出了其局限性。首先，测试对象仅限于iNPH患者，这限制了模型在其他人群中的推广价值。其次，某些得分可能受到感官功能下降的影响，而非纯粹的认知功能退化，这可能会影响预测的准确性。最后，由于SSWTRT使用的是日语的拟声词，其语言和文化依赖性可能限制了其在非日语使用者中的应用。因此，未来研究应探索语言无关的纹理识别表示方法，以提高测试的通用性。

为了克服这些局限性，研究者提出了一些改进方向。例如，可以增加测试图像的数量，并分析不同图像特征对分类性能的影响。此外，通过使用更丰富的特征表示，如将选择的拟声词视为分类特征，而不是仅依赖于得分，可能会进一步提高模型的预测能力。同时，考虑到SSWTRT的便捷性和非侵入性，未来研究还可以探索将其应用于移动设备，以提高其可及性和成本效益。

综上所述，本研究通过结合声音象征性词汇与图像纹理识别任务，开发了一种新的认知筛查工具，并利用机器学习技术对其分类性能进行了深入分析。尽管当前的测试对象和方法仍存在一定的局限性，但其在提高筛查效率和准确性方面展现出良好的前景。未来的研究应进一步优化测试内容，扩大样本来源，并探索更广泛的适用性，以推动SSWTRT成为一种有效的、易于推广的认知筛查工具。