基于MoCA子领域分数的监督学习在多类神经退行性运动障碍鉴别中的局限性评估

《Bioengineering》：Machine Learning Applied to Montreal Cognitive Assessment Subdomains for Differential Diagnosis of Neurodegenerative Movement Disorders: Classification Limits and Deterministic Score Reconstruction

　　## 摘要神经退行性运动障碍的早期鉴别仍然具有挑战性，因为各类疾病的认知-行为特征存在重叠。蒙特利尔认知评估（MoCA）是一项广泛使用的30分筛查工具；然而，MoCA子领域分数本身在多大程度上能够支持自动化多类鉴别诊断或分数预测，仍需严格的方法学评估。在本研究中，我们利用美国国立神经退行性疾病与卒中研究所（NINDS）帕金森病生物标志物计划中的临床数据，在两项不同任务中考察了监督式机器学习算法的表现：（1）运动障碍诊断的多类分类，涵盖帕金森病（PD）、无神经系统诊断（对照组）、进行性核上性麻痹（PSP）、特发性震颤（ET）、皮层基底变性（CBD）、多系统萎缩（MSA）以及其他类型；以及（2）根据MoCA各领域项目对其总分进行数值预测/重建，并在来自帕金森病进展标志物计划（PPMI）的1499条记录中进行外部验证。在分层5折交叉验证下，多类诊断分类效果极为有限：所有已训练模型中最高的大类平均F1分数为0.362（95% CI：0.284–0.440；逻辑回归），在分类准确率上甚至落后于简单的多数类常值基线（0.463 vs. 0.366）。自助重采样产生了表观的性能提升（神经网络大类F1：0.558，95% CI：0.512–0.604；AdaBoost：0.555）；然而，这反映的是伪重复抽样所带来的乐观偏差，而非真正的临床可推广性。在连续分数建模方面，线性回归和随机梯度下降实现了近乎完美的内部拟合（R2分别为0.999和0.996），并在外部PPMI队列中保持了近乎完美的表现（R2为0.997和0.991；MSE < 0.06）。我们证明，这种回归上的成功反映的是对加法式评分定义的数学恢复，即目标泄漏，而非独立的临床预测。MoCA各领域分数本身不具备足够的疾病特异性变异来区分复杂的帕金森综合征，这表明自动化临床分类需要整合多模态神经影像、体液及数字运动生物标志物。