编辑推荐：
认知障碍未被诊断是全球难题，早期症状易被忽视。研究人员开发 PENSIEVE-AI 数字测试工具。研究发现，其检测轻度认知障碍（MCI）和痴呆性能卓越，与传统评估相当。该工具或可改善认知障碍早期检测与干预。
在全球范围内，认知障碍（Cognitive Impairment，CI）未被诊断的情况普遍存在。许多患有认知障碍的人从未接受过正式诊断，错过及时的临床护理，这不仅影响他们的生活质量，还增加了过早进入养老院的风险。此外，早期诊断对认知障碍的干预至关重要，然而，早期症状往往很隐匿，容易被误认为是正常衰老。虽然有多种简短认知测试，但大多需要专业人员操作，且不适用于低文化水平人群，这使得在社区大规模筛查认知障碍面临重重困难。
为了解决这些问题，新加坡的研究人员开展了一项旨在开发更有效的认知障碍检测工具的研究。他们开发了 PENSIEVE-AITM，这是一种基于绘图的数字测试，具有无需专业人员操作、测试时间短（<5 分钟）、对读写能力要求低等特点。该研究成果发表在《Nature Communications》上，为认知障碍的早期检测带来了新的希望。
在这项研究中，研究人员主要运用了以下关键技术方法：首先，他们前瞻性地招募了新加坡社区 1758 名 65 岁及以上的居民作为样本队列。然后，利用深度学习模型，以参与者完成的 4 项绘图任务数据为基础进行训练，包括复杂图形复制、简单图形复制、时钟绘制和复杂图形回忆。在模型训练过程中，还探索了基本人口统计学特征对模型性能的影响。最后，将 PENSIEVE-AI 的性能与其他常用评估工具进行比较。
研究结果如下：
- 模型性能评估：研究样本分为训练样本、验证样本和测试样本。在测试样本中，VGG-16 在基于图像的模型中表现优于 SwinTransformer；CLIP 在替代模型中表现优于 CNN-GRU。加入绘图活动（如重放音频指令、重复绘图尝试等）可显著提升基于图像模型的性能，VGG-16 + 绘图活动的组合表现最佳（受试者工作特征曲线下面积 AUC = 93.2%，精确召回曲线下面积 PR-AUC = 70.8%）。进一步加入教育因素后，模型性能进一步提升（AUC = 93.1%，PR-AUC = 74.1%），因此最终选择 VGG-16 + 绘图活动 + 教育作为最终模型。
- 与其他评估工具比较：PENSIEVE-AI 在检测 MCI / 痴呆方面与神经心理测试组合（NTB）和蒙特利尔认知评估（MoCA）性能相当（AUC = 93.1 - 95.3%），在不同教育程度亚组中结果一致。而八项知情者访谈以区分衰老和痴呆（iAD8）在检测 MCI / 痴呆时，AUC 显著较低，尤其在受教育年限≤10 年的参与者中表现更差。在检测痴呆方面，PENSIEVE-AI、NTB、MoCA 和 iAD8 的 AUC 均大于 90%。
- 风险分层：采用双截断值方法，PENSIEVE-AI 可将认知障碍风险分为三类：低风险（概率 < 13%）、中等风险（概率 13 - 44%）和高风险（概率≥45%）。不同风险类别与最终诊断的交叉表显示，低风险人群中 92 - 98% 认知正常；中等风险人群中 20 - 40% 被诊断为 MCI；高风险人群中 85 - 88% 患有 MCI / 痴呆，且很大比例患有痴呆（26 - 36%）。
研究结论和讨论部分指出，PENSIEVE-AI 是一种高效且可扩展的认知障碍检测工具。它在检测 MCI / 痴呆方面表现出色，即使测试简短，也能通过捕捉测试过程数据（绘图活动）来弥补测试项目数量的不足，达到与详细神经心理学测试相当的效果。此外，PENSIEVE-AI 不受语言和文化水平的影响，这使其在新加坡等多民族、文化水平差异大的地区以及其他类似的低收入和中等收入国家具有广泛的应用潜力。它可以嵌入社区综合老年评估中，或作为社区自助终端使用，实现大规模的认知障碍筛查和风险分层，帮助医疗机构更有效地分配资源，为认知障碍患者提供更及时的干预和治疗。然而，该研究也存在一些局限性，如对严重视力障碍或手部运动困难的个体不太适用，可能无法有效检测语言功能障碍，对低文化水平和技术基础设施有限地区的人群存在一定使用障碍等。但总体而言，PENSIEVE-AI 为认知障碍的早期检测提供了新的解决方案，对改善全球认知障碍的早期诊断和干预具有重要意义。
