《Journal of Neurology》：The Dutch Mini-Linguistic State Examination (MLSE-NL): findings in Primary Progressive Aphasia (PPA)
编辑推荐：
**研究现状**：言语和语言改变是原发性进行性失语（Primary Progressive Aphasia，PPA）的首发症状。迷你语言状态检查（Mini-Linguistic State Examination，MLSE）是一种简短的语言筛查测试，用于英
**研究现状**：言语和语言改变是原发性进行性失语（Primary Progressive Aphasia，PPA）的首发症状。迷你语言状态检查（Mini-Linguistic State Examination，MLSE）是一种简短的语言筛查测试，用于英语人群PPA的诊断流程。研究人员将MLSE改编为荷兰语版（MLSE–NL），并将这一新版本作为荷语人群的诊断筛查工具进行了验证。
**方法**：研究人员对90名荷语PPA患者（非流利变异型PPA（nfvPPA）n = 23，语词空洞变异型PPA（lvPPA）n = 24，语义变异型PPA（svPPA）n = 32，未另行说明的PPA（PPA–NOS）n = 11；平均年龄68.3岁，47.8%为男性）和276名健康志愿者（平均年龄56.3岁，38.8%为男性）进行了MLSE–NL评估。MLSE–NL包含运动言语、音韵结构、语义知识、句法和工作记忆等分项评分。采用Kruskal–Wallis检验评估组间差异，并以控制协变量的线性模型作为验证性分析。
**结果**：MLSE–NL总分在各PPA变异型中均显著低于对照组，患者得分范围为30–96/100，对照组为83–100/100。总分的曲线下面积（AUC）为0.99（各子域AUC范围为0.80–0.92）。与对照组相比，nfvPPA患者表现出更多的运动言语错误，svPPA患者表现出更多的语义错误，而lvPPA患者存在最显著的工作记忆缺陷。句法错误在所有变异型中均常见，音韵缺陷在lvPPA和nfvPPA中更为突出。PPA–NOS除运动言语外，其余各域均存在缺陷。
**结论**：MLSE–NL能够成功区分三种经典PPA变异型及PPA–NOS与对照组，并捕捉各变异型特有的神经语言学特征。
**论文解读**
**一、研究背景与问题**
原发性进行性失语（Primary Progressive Aphasia，PPA）是一种以言语和语言能力进行性恶化为核心特征的神经退行性综合征。现行共识标准依据语言学损伤的领域特异性，将PPA划分为三种经典变异型：非流利/语法缺失型（nfvPPA）、语义型（svPPA）和语词空洞型（lvPPA）。然而，相当一部分PPA病例无法归入上述任何亚型，被称为“未另行说明的PPA”（PPA–NOS）。目前PPA的诊断方法往往不易获得、耗时长且需要专科专家参与，因此临床上亟需简短、简便的筛查工具。现有语言筛查工具多聚焦单一领域（如面孔命名或流利度），无法全面评估语言功能。此外，PPA研究长期以英语人群为主，许多语言评估工具仅基于英语开发，导致非英语临床医生和研究者缺乏经过验证的工具及规范的常模数据。跨语言差异不仅是操作性问题，已有证据表明PPA的临床表现可随母语不同而变化。迷你语言状态检查（MLSE）最初以英语开发，用于评估PPA的言语和语言缺陷，目前仅在英语、西班牙语和希腊语中得到正式验证，尚无荷兰语版本。因此，本研究旨在将MLSE改编为荷兰语版（MLSE–NL），并在荷语PPA患者和健康对照组中验证其诊断价值，提供临床可用的常模数据。
**二、研究目的与设计**
研究人员从比利时和荷兰的学术记忆门诊招募了90名PPA患者（nfvPPA 23例、lvPPA 24例、svPPA 32例、PPA–NOS 11例），所有患者均依据Gorno-Tempini等2011年标准或Marshall等路线图进行先验亚型分类，未使用MLSE–NL结果。同时招募276名健康志愿者作为对照组。MLSE–NL包含11项子测试，覆盖运动言语、音韵结构、语义知识、句法和言语工作记忆五个领域，总分100分，施测时间约15–20分钟。研究通过线性模型（校正年龄、性别、教育年限）、受试者工作特征曲线（ROC）分析、随机森林（RF）分类及SHAP值解释等方法评估其诊断效度和分类性能。
**三、主要关键技术方法**
研究采用多种统计与机器学习方法：使用Kruskal–Wallis检验和线性模型比较组间差异；通过ROC曲线计算各领域及总分的AUC值以评估区分患者与对照的准确性；采用随机森林（Random Forest，RF）分类器，基于五个MLSE–NL领域得分对诊断组进行分类，并用分层k折交叉验证评估内部性能；利用SHAP（SHapley Additive exPlanations）值解释模型预测；提取后验决策树以提高临床可解释性。此外，研究还计算了组内相关系数（ICC）以评估评分者间信度。
**四、研究结果**
**（一）人口统计学与临床数据**：对照组与患者组在年龄、性别分布上存在显著差异，但教育年限无显著差异。患者组在MoCA和BNT上的得分均显著低于对照组，其中svPPA患者的BNT得分显著低于nfvPPA，符合svPPA突出命名障碍的特征。
**（二）健康对照组常模数据**：在对照组中，MLSE–NL总分与年龄、性别、教育年限均显著相关：年龄越大、男性得分越低，教育年限越高得分越高。各领域得分也与年龄、性别或教育存在不同程度的相关。MLSE–NL总分与MoCA和BNT得分显著正相关，语义知识与BNT相关性最强，提示其共享词汇语义加工需求。
**（三）PPA患者的MLSE–NL总分与领域得分**：线性模型显示，所有PPA患者的总分均显著低于对照组。nfvPPA在所有领域均受损，运动言语缺陷最为突出，显著低于lvPPA和svPPA；其语义知识和工作记忆相对保留。lvPPA在所有领域均受损，工作记忆和音韵结构缺陷显著，工作记忆低于nfvPPA和svPPA。svPPA表现为选择性语义损伤，语义知识得分显著低于所有其他组，运动言语相对保留。PPA–NOS除运动言语外，其余所有领域均显著受损，表现介于各变异型之间。评分者间信度从良好到优秀（ICC 0.78–0.97）。
**（四）诊断和变异型分类准确性**：ROC分析显示，MLSE–NL总分对各PPA变异型与对照的区分AUC均大于0.99。nfvPPA的最佳区分指标是运动言语（AUC = 0.96），svPPA为语义知识（AUC = 0.99），lvPPA多个领域均能有效区分（音韵结构、语义知识、句法、工作记忆的AUC为0.94–0.98），PPA–NOS除运动言语外各领域AUC为0.92–0.99。按疾病分期（CDR plus NACC FTLD）分层分析，各期AUC均大于0.95，表明早期至中期诊断准确性均很高。
**（五）随机森林分类与决策树**：RF模型在测试集上的总体准确率为0.74，平衡准确率为0.75。对照组召回率0.90，lvPPA为0.80，nfvPPA为0.67，svPPA为0.62。错分分析显示，部分早期nfvPPA因运动言语得分接近正常被误判为lvPPA；部分svPPA因句法和工作记忆得分偏低而接近lvPPA特征。提取的代表性决策树平衡准确率为0.83，对照组、lvPPA、nfvPPA、svPPA的正确率分别为100%、80%、67%和85%。
**五、讨论总结与结论**
本研究表明，MLSE–NL能高度准确地区分PPA患者与健康对照，其领域特异性损伤模式与经典PPA变异型的认知语言学特征高度一致，支持荷兰语改编的效度。年龄、教育年限对总分有显著影响，提示临床解释时需进行校正。与英语、西班牙语和希腊语版本相比，MLSE–NL的诊断准确性相当，决策树准确率略低（83% vs. 91%），可能反映荷兰语形态更丰富或患者异质性更大。研究纳入PPA–NOS组是重要优势，揭示该组除运动言语外广泛受损的特征，提示MLSE–NL可用于筛查和追踪疾病进展。局限性包括患者病程和严重程度异质性大、部分患者缺乏病理确认、以及晚期患者错误分型难度增加等。结论：MLSE–NL能够以高敏感性和特异性检测不同PPA变异型，并提供各年龄和教育水平的常模数据，是荷语PPA患者临床诊断和分型中有效的筛查工具。
