基于眼动追踪与机器学习的阅读行为特征验证：轻度认知障碍早期检测新策略

编辑推荐：本研究针对轻度认知障碍(MCI)早期诊断难题，通过眼动追踪技术捕捉115名受试者阅读时的眼跳(saccades)和注视(fixations)特征，构建机器学习模型(AUROC 75%)并独立验证。首次证实短文本阅读任务可作为MCI筛查的生态学标志物，为开发非侵入性认知评估系统提供新思路。

　　随着全球老龄化加剧，阿尔茨海默病(AD)等神经退行性疾病已成为重大公共卫生挑战。在AD典型症状出现前，轻度认知障碍(MCI)阶段往往已存在细微的认知变化，这为早期干预提供了关键时间窗。然而现有诊断方法依赖昂贵的神经影像学检查或耗时的神经心理学测试，难以满足大规模筛查需求。有趣的是，阅读这项日常活动需要调动注意力、工作记忆等多重认知功能，而眼动追踪技术能精确捕捉阅读时毫秒级的眼球运动特征。既往研究表明AD患者存在注视时间延长、眼跳模式异常等现象，但针对更早期的MCI阶段研究样本量小且缺乏独立验证。

NEUS Diagnostics公司与卢布尔雅那大学的研究团队在《Scientific Reports》发表创新性研究，通过两项队列研究系统探索了阅读眼动特征作为MCI生物标志物的潜力。研究首先在115人队列（62例认知障碍[CI]含MCI/AD，53例健康对照[HC]）中建立机器学习模型，随后在94人独立队列中进行验证。所有受试者均完成标准化神经心理学测试（ACE-R、MMSE等）和11行文本的阅读任务，使用Tobii 4C眼动仪以90Hz采样率记录数据。

关键技术方法包括：1）标准化认知评估与DSM-V诊断标准；2）眼动数据预处理（剔除首尾无效数据，定义≥48ms为注视点）；3）提取9项阅读特征（前/后向眼跳距离/速度、注视时长变异等）；4）采用逻辑回归(LR)、随机森林(RF)等算法构建分类模型；5）独立队列验证。

研究结果部分揭示重要发现：

1. 统计分布特征：除后向眼跳距离标准差(bdist.std)外，所有特征在HC/CI组间均呈现显著差异（p<0.05）。随着认知损害加重（HC→边缘状态→MCI→AD），注视时间(fdur)中位数从216.51ms增至421.92ms，注视变异(fdur.std)从111.48ms升至400.54ms，呈现连续变化趋势。

2. 机器学习性能：在训练队列中，逻辑回归表现最优（CA 73.1%，AUC 79.7%），其混淆矩阵显示对HC和CI的误判率均衡。独立验证时模型性能适度下降（AUC 74.1%），但仍显著优于随机猜测。

讨论部分指出，该研究首次证实：1）短文本阅读任务（仅12句）可有效区分MCI与健康人群，较既往研究（75-120句）更符合临床实用需求；2）眼动异常呈连续谱变化，支持其作为疾病进展监测指标；3）语言特异性需进一步验证，但基础特征（如注视时长）可能具有跨语言普适性。尽管作为独立筛查工具精度有限（约75%），但作为神经心理学测试组合的组成部分，这种3分钟即可完成的自然任务极具转化潜力。

这项研究为认知障碍早期检测提供了创新性解决方案，其价值在于：1）非侵入性且成本低廉，适合社区筛查；2）生态效度高，患者接受度好；3）可整合多种眼动范式提升精度。未来研究可探索不同痴呆亚型（如额颞叶痴呆）的特异性眼动模式，以及多模态数据融合策略。该成果标志着数字生物标志物开发的重要进展，为构建下一代认知评估系统奠定基础。