基于TD-fNIRS技术的轻度认知功能障碍神经影像生物标志物研究

本研究针对轻度认知障碍(MCI)临床诊断耗时长、负担重的问题，开发了基于时域功能近红外光谱(TD-fNIRS)的新型神经影像生物标志物。研究团队通过Kernel Flow2系统采集50例MCI患者和51例健康对照者在语言流畅性(Verbal Fluency)和N-Back工作记忆任务中的脑功能数据，结合机器学习模型实现了92%的AUC诊断准确率，显著优于传统量表(ADCS-ADL-MCI AUC=0.76)，为临床提供了一种快速、客观的MCI筛查工具。

　　

随着全球老龄化加剧，轻度认知障碍(Mild Cognitive Impairment, MCI)作为阿尔茨海默病的重要前驱阶段备受关注。约10-15%的MCI患者会每年进展为痴呆，给家庭和社会带来沉重负担。然而当前临床诊断面临巨大挑战：常用筛查工具如简易精神状态检查(MMSE)和蒙特利尔认知评估(MoCA)存在高达34%的漏诊率，而全面的神经心理学评估需耗时3小时以上，给医患双方造成显著压力。更棘手的是，健康老年人也常会在单项记忆测试中表现不佳，这使得单一行为学评估的可靠性大打折扣。

针对这一临床困境，Kernel公司的Julien Dubois团队在《npj Dementia》发表了一项突破性研究。研究人员创新性地采用时域功能近红外光谱(Time-domain functional near-infrared spectroscopy, TD-fNIRS)技术，开发了一种能在10分钟内完成的MCI诊断新方法。这种被称为Kernel Flow2的可穿戴设备通过测量任务态脑血流动力学变化，捕捉到了传统方法难以发现的神经功能异常特征。

研究团队采用了多模态数据融合策略：首先使用Kernel Flow2 TD-fNIRS系统采集受试者在执行语言流畅性(Verbal Fluency)和N-Back工作记忆任务时的脑活动数据；同时记录行为学表现和ADCS-ADL-MCI量表评分。通过广义线性模型(GLM)提取任务相关的脑激活特征，结合弹性网正则化逻辑回归构建分类模型。研究纳入50例临床确诊的MCI患者和51例年龄匹配的健康对照，所有参与者均完成标准化认知评估和情绪量表测试。

研究结果部分呈现了丰富的发现：

在"Participant cognitive assessment and survey results"部分，验证了ADCS-ADL-MCI量表能有效区分两组人群(p=5.43×10^-6)，MCI组在抑郁量表(GDS)得分也显著更高(p=7.95×10^-3)，这与既往研究报道的MCI常见共病情况一致。

"Task-related neural and behavioral features between MCI and HC"部分显示，N-Back任务中MCI患者在1-back和2-back正确率显著降低(p=1.70×10^-4和p=6.71×10^-3)；语言流畅性任务中语义条件表现差异最显著(p=1.00×10^-5)。脑激活分析发现，健康对照在左前颞叶区域的血氧依赖信号(HbO)随任务难度增加而增强，而MCI患者呈现异常激活模式。

"Machine learning models to detect MCI"部分展示了突破性成果：仅使用量表数据的模型AUC为0.76，加入行为学特征后提升至0.79，而整合神经特征后AUC跃升至0.92。特征重要性分析揭示，语言流畅性任务中枕叶区HbR信号和N-Back任务中左颞叶HbO信号是最具鉴别力的神经标志物。

这项研究的重要意义在于：首次证实便携式TD-fNIRS系统可成为MCI诊断的有效工具，其性能超越当前临床常用量表。研究采用的认知任务范式与常规神经心理评估高度兼容，便于临床转化。特别值得注意的是，仅需10分钟的脑功能扫描就能达到专家级诊断准确率，这将极大缓解当前MCI诊断的时效性瓶颈。未来，该方法有望与现有诊断流程整合，形成更高效、客观的认知障碍筛查体系，为早期干预提供可靠依据。