编辑推荐：
为探讨脑白质高信号（WMHs）对认知衰弱（CF）的潜在诊断价值，研究人员对 147 例患者（77 例 CF，70 例对照）进行回顾性分析，构建多种模型。结果显示联合模型诊断效能最佳，为 CF 早期诊断和干预提供新方法。
随着全球人口老龄化加剧，认知衰弱（CF）作为 “老年综合征” 的重要组成部分，因其兼具身体衰弱与认知功能障碍、且存在可逆性窗口期，成为早期干预的关键目标。然而，传统诊断依赖 MMSE 量表、Fried 衰弱表型（FP）等临床评估工具，存在耗时、受个体状态影响大、难以早期预警等局限。脑白质高信号（WMHs）作为脑小血管病变的典型影像学表现，其体积与认知功能下降密切相关，且病理改变早于临床症状出现，但传统视觉评分或体积测量难以挖掘其深层信息。在此背景下，川北医学院及其附属医院的研究团队开展了一项基于影像组学的创新性研究，相关成果发表于《BMC Medical Imaging》，为 CF 的精准诊断提供了新方向。
研究人员采用回顾性研究设计，纳入 2016 年 8 月至 2023 年 6 月期间在该院接受脑 MRI 检查及 CF 评估的 147 例患者（CF 组 77 例，对照组 70 例）。研究的关键技术方法包括：①影像数据采集：使用 3.0T MRI 获取 T?-FLAIR 序列，层厚 1.0 mm，确保高分辨率成像；②感兴趣区（ROI）分割：由经验丰富的放射科医师通过 3D Slicer 软件手动勾勒 WMHs 区域，并经多平面校正以保证准确性；③影像组学特征提取：利用 PyRadiomics 工具包提取 1520 个特征，涵盖形状、纹理、灰度等维度；④机器学习模型构建：采用 K 近邻（KNN）、Logistic 回归（LR）、支持向量机（SVM）算法，分别构建基于影像特征的放射组学模型、基于临床独立危险因素的临床模型，以及整合两者的联合模型；⑤模型评估：通过受试者工作特征曲线（ROC）、决策曲线分析（DCA）、校准曲线等评估诊断效能，指标包括曲线下面积（AUC）、净获益曲线下面积（AUNBC）、Brier 分数等。
研究结果
临床特征与独立危险因素分析
CF 组与对照组在年龄、教育水平、社区活动、家务劳动、钟表绘画测试（CDT）及糖尿病方面存在显著差异（P<0.05）。多因素 Logistic 回归确定年龄、教育水平、社区活动、家务劳动、CDT 评分、糖尿病为 CF 独立危险因素。例如，年龄每增加 1 岁，CF 风险增加 26%（OR=1.260, 95% CI:1.118–1.420），糖尿病患者风险是对照组的 7.388 倍（OR=7.388, 95% CI:1.627–33.559）。
影像组学特征筛选与模型性能
通过组内相关系数（ICC>0.75）、独立样本 t 检验（P<0.05）及 LASSO-LR 算法，最终筛选出 6 个最优影像特征，包括 wavelet-HHH_firstorder_Energy 等纹理特征。在测试集中，放射组学模型的 AUC 值为：KNN 0.860，LR 0.916，SVM 0.885；临床模型分别为 0.868、0.850、0.787；联合模型显著提升至 0.906（KNN）、0.954（LR）、0.930（SVM）。DeLong 检验显示，LR 和 SVM 的联合模型与单一模型的 AUC 差异具有统计学意义（P<0.05），决策曲线证实联合模型在临床决策中的净获益更高。
模型校准与临床意义
校准曲线和 Brier 分数表明，联合模型的预测概率与实际患病概率一致性更佳，尤其 LR 联合模型的 Brier 分数最低（0.123），显示出最优校准精度。研究还发现，影像特征 wavelet-HHH_firstorder_Energy 与 WMH 微观结构损伤程度正相关，其值越高提示白质纤维完整性破坏越严重，与 CF 风险呈显著正相关（β=0.142, P<0.001）。
结论与讨论
本研究首次构建了基于 WMHs 影像组学特征与临床危险因素的 CF 联合诊断模型，证实其诊断效能显著优于单一模型，尤其 LR 联合模型的 AUC 达 0.954，为 CF 的早期识别提供了客观、量化的工具。影像组学通过捕捉 WMHs 的纹理异质性（如边缘不规则性、内部复杂度），结合年龄、糖尿病等临床因素对血脑屏障和脑血流的影响，实现了从宏观临床表型到微观影像特征的跨层次评估。这一成果不仅突破了传统量表的局限性，还为无症状期 CF 的干预提供了影像学依据，有望推动神经退行性疾病的早期精准医疗。未来研究需进一步扩大样本量、开展多中心验证，并探索深度学习在自动分割中的应用，以提升模型的泛化能力和临床可及性。
