《Frontiers in Aging Neuroscience》：An AI-driven model for risk stratification and prototype intervention mapping in motoric cognitive risk syndrome and subjective cognitive decline
编辑推荐：
随着阿尔茨海默病（Alzheimer's disease, AD）及其他痴呆症在全球范围内的持续增长，临床前认知衰退的早期识别需求日益迫切。运动认知风险综合征（Motoric Cognitive Risk Syndrome, MCR）与主观认知下降（Subje
随着阿尔茨海默病（Alzheimer's disease, AD）及其他痴呆症在全球范围内的持续增长，临床前认知衰退的早期识别需求日益迫切。运动认知风险综合征（Motoric Cognitive Risk Syndrome, MCR）与主观认知下降（Subjective Cognitive Decline, SCD）代表了促进靶向干预的关键过渡阶段，而现有的单模态方法既缺乏敏感性，也不足以实现充分的多模态风险分类与个性化干预映射（原型）。本研究引入一种基于改进光频谱优化器（improved light spectrum optimizer, ILSO）作为元启发式优化器的混合多模态CNN融合框架以应对这一挑战。该框架通过并行的三维卷积神经网络分支（MRI与PET）以及运动、认知和生物标志物信息的编码器，融合多种模态特异性信息，随后结合中间融合与晚期融合层，其参数由优化框架调优。该框架在BIOCARD纵向数据集上进行了细致评估，达到了93.7%的准确率与0.965的受试者工作特征曲线下面积（area under the ROC curve, AUC），显著超越了七种最先进方法，并通过纵向风险轨迹与特征的SHAP归因揭示了临床可解释性。
论文解读：基于改进光频谱优化器的多模态CNN融合框架用于MCR与SCD的风险分层与个性化干预映射
一、研究背景与问题
随着阿尔茨海默病及相关痴呆症（Alzheimer's disease and related dementias, ADRD）在全球范围内的负担日益加重，在认知衰退的早期临床前阶段识别高风险个体成为迫切需求。运动认知风险综合征（Motoric Cognitive Risk Syndrome, MCR）和主观认知下降（Subjective Cognitive Decline, SCD）是两种过渡性综合征，可在客观认知衰退或功能丧失前数年提示升高的风险。MCR的临床定义为同时存在步速缓慢（通常为步速低于年龄和性别校正均值一个标准差）和主观认知主诉，且无痴呆、严重行动障碍或标准化神经心理测试所证实的客观认知缺陷。SCD则指个体对认知下降（尤其是记忆功能）的感知，这种感知与正常衰老不相称，且无法用观察到的认知缺陷来解释。
在人群研究中，60岁及以上社区老年人中MCR的合并患病率估计约为9%至10%，且随年龄增长而升高，女性中更高。SCD在老年人群中的患病率更高，介于11%至26%之间。纵向研究中，MCR个体发生认知障碍和痴呆的风险约增加2倍，SCD个体的风险比（hazard ratio, HR）通常在1.5至3.0之间。然而，目前的诊断方法存在诸多局限：单模态评估（如单独测量步速、单一问卷、单一结构脑成像序列或单一脑脊液生物标志物分析）不足以理解步态功能、主诉、脑结构与功能变化以及分子生物标志物之间的相互作用，导致敏感性和特异性较低，难以实现早期有效的风险分层，尤其是在长达数十年的纵向随访中。此外，缺乏一种连贯的计算方法来整合这些多样化的数据并生成预测性的、个性化的风险模型和干预策略。
尽管多模态深度学习模型已显著改善了AD连续谱的早期预测和风险分层，但大多数研究仍聚焦于预定义阶段，很少纳入定义MCR的运动和步态指标，也未使用基于元启发式的参数优化，更未产生纵向可解释且面向干预的风险曲线。因此，本研究旨在构建一种由改进光频谱优化器（improved light spectrum optimizer, ILSO）调优参数的混合多模态CNN融合模型，以填补这一空白。
二、研究内容与结论
研究人员提出了一种混合多模态CNN融合框架，通过并行分支整合多种异质数据模态，并利用元启发式优化实现增强的性能和高效收敛。该框架在BIOCARD纵向队列上进行了严格评估，达到了93.7%的准确率和0.965的AUC，显著超越了七种最先进方法，并揭示了临床可解释性。研究的具体目标包括：（i）设计并行的3D卷积分支（MRI+PET）和单模态编码器（运动/认知/液体生物标志物特征）；（ii）利用ILSO同时优化中间融合和晚期融合层；（iii）在BIOCARD纵向队列上进行认知衰退连续谱上的二分类和多分类风险预测的严格比较研究；（iv）建立可解释的纵向风险轨迹和基于SHAP的特征归因，以支持个性化干预的决策。
三、关键技术方法
研究人员使用了以下主要关键技术方法：采用BIOCARD纵向队列（初始N=349，分析N=226，截至2025年8月已增至477人），该队列自1995年起由NIMH资助，包含长达30余年的年度临床/认知评估及双年神经影像和生物样本采集。框架由并行3D CNN分支处理MRI和PET影像，以及针对运动（步态）、认知和生物标志物特征的特异性编码器组成，采用中间融合与晚期融合相结合的混合融合策略。模型超参数由改进光频谱优化器（ILSO）调优，该优化器通过适应度自适应折射率、混沌映射和基于对立的学习（opposition-based learning）三项改进克服了原始LSO的不足。研究采用严格的时序数据泄漏防护措施，包括受试者级、时间有序的划分（训练：第1-8年；验证：第9年；测试：第10-12年），预处理统计量仅从训练数据计算，以及分区内缺失值插补。
四、研究结果
4.1 分类性能与对比
研究通过五折交叉验证评估了框架性能，在BIOCARD队列上实现了93.7%的准确率和0.965的AUC，显著优于七种最先进方法。多模态融合模型始终优于单模态模型，ILSO优化的模型优于非优化模型。
4.2 消融研究
通过消融研究验证了ILSO各组件的贡献：适应度自适应折射率、混沌映射和基于对立的学习均能提升最终AUC，其中基于对立的学习带来了更快的收敛速度。ILSO在早期实验中相比原始LSO、粒子群优化器和遗传算法表现出更高的最终AUC。
4.3 时序泄漏验证
研究人员使用时序打乱的时间标签进行了对照预测实验，结果接近随机水平（52%准确率），证实了模型未利用来自未来时间点的信息，确保了评估的真实前瞻性。
4.4 纵向风险轨迹
框架能够生成个体化的纵向风险轨迹，展示受试者随时间推移的风险变化，为临床决策提供动态监测依据。
4.5 SHAP特征归因
通过SHAP（SHapley Additive exPlanations）归因分析，研究揭示了各特征对预测的贡献程度，识别出对MCR和SCD风险分层最具影响力的特征，增强了模型的临床可解释性。
4.6 个性化干预映射
基于风险分层结果和特征归因，框架能够输出个性化的干预建议，包括运动方案、认知训练和专科转诊等，实现了从预测模型到临床可部署决策支持的转化。
五、讨论与结论
研究讨论部分指出，现有最先进模型虽然在经典AD任务数据集上表现出色，但均未整合运动学指标、基于元启发式的融合优化和个性化要素来设计纵向个性化治疗路径，这正是本框架的创新目标。ILSO作为外层超参数优化器，与内层通过标准反向传播（Adam优化器）进行的权重优化在逻辑上相互独立，ILSO仅调优16个架构和训练超参数。研究结论表明，所提出的ILSO优化的混合多模态CNN融合框架在MCR和SCD的风险分层与个性化干预映射方面具有显著优势，能够有效整合神经影像、运动表现、认知测试和液体生物标志物等多模态信息，实现准确的风险预测和临床可解释的输出，有望弥合预测建模与临床可部署决策支持之间的转化鸿沟（T divide），为早期认知衰退患者的个性化干预提供决策支持。
