编辑推荐：
本文推荐阅读一篇题为“基于功能性近红外光谱的轻度认知障碍早期识别：一项采用集成机器学习模型的大规模多范式研究”的前沿论著。该研究通过集成静息态与1-back任务态的功能性近红外光谱（fNIRS）特征，构建了用于早期识别轻度认知障碍（MCI）的机器学习模型。其结果表明，基于多范式特征融合的神经网络模型在准确度、灵敏度和曲线下面积（AUC）等指标上均显著优于单一范式，为开发客观、高效的MCI早期临床筛查工具提供了数据驱动的有力证据。
引言
随着全球人口老龄化加剧，阿尔茨海默病及相关痴呆症（ADRD）的患病率预计将显著上升，带来沉重的社会经济负担。轻度认知障碍（MCI）是正常认知老化与早期痴呆之间的过渡阶段，其早期、准确的识别对于及时干预、延缓甚至逆转认知衰退至关重要。然而，传统的MCI筛查主要依赖蒙特利尔认知评估（MoCA）等神经心理量表，其结果易受教育水平和文化背景影响。尽管磁共振成像（MRI）和正电子发射断层扫描（PET）等神经影像技术可提供客观生物标志物，但其高昂成本和有限可及性阻碍了大规模筛查。因此，亟需一种客观、成本效益高且可扩展的工具。
功能性近红外光谱（fNIRS）作为一种新兴的非侵入性、便携式光学神经成像技术，通过检测大脑皮层氧合血红蛋白（HbO）和脱氧血红蛋白（HbR）的浓度变化来测量皮层血流动力学响应。相较于功能磁共振成像（fMRI），fNIRS具有更好的时间分辨率、便携性、更低的成本以及对运动伪影更高的耐受性，非常适合临床和自然场景下的动态认知评估。尽管已有fNIRS研究揭示了MCI患者独特的神经特征，但现有研究多集中于单一范式（如任务诱发的功能激活或静息态网络特性）且样本量较小，导致结果不一致且普适性有限。机器学习的应用为分析高维fNIRS数据提供了强大工具。本研究旨在整合来自大规模队列的静息态和任务态fNIRS数据，通过多范式特征提取和机器学习建模，开发并验证用于MCI早期识别的最佳模型。
方法
参与者 本研究最终纳入了462名右利手参与者（185名MCI患者和277名健康对照），年龄在58至87岁之间。MCI的诊断由两位经验丰富的神经科医生根据彼得森标准共同确定。所有参与者均接受了包括MoCA在内的一系列标准化神经心理学测试和临床评估。健康对照的纳入需满足无认知主诉、神经心理测试表现正常、日常生活能力无显著损害等条件。排除标准包括明确卒中史、精神病史、物质成瘾、严重睡眠障碍或其他可能导致认知障碍的神经系统疾病。
测量与实验设计 研究使用多通道fNIRS系统（BS-7000）采集信号，系统包含27个光源和25个探测器，形成67个通道。光极位置依据国际10-20系统放置，通道位置被映射到蒙特利尔神经学研究所（MNI）空间，并基于布鲁德曼区划分为12个感兴趣区，包括背外侧前额叶皮层（DLPFC）、额极区（FPA）等。
实验包含两种范式：
- 1.
静息态数据采集：参与者舒适就坐，包含30秒基线期（注视屏幕“+”）和5分钟静息期（闭眼放松）。
- 2.
1-back任务数据采集：任务流程包含四个30秒的静息基线期和三个32秒的1-back任务期。在任务期内，参与者需判断屏幕上连续呈现的数字是否与前一个数字匹配。每个任务块包含15个试次，其中目标试次概率为27%。
数据分析
- 1.
fNIRS数据分析：数据在MATLAB 2014a中使用Homer2工具箱进行预处理，包括将原始光强转换为光密度、检测并校正运动伪影、进行带通滤波（0.01–0.1 Hz），并依据修正的比尔-朗伯定律转换为HbO和HbR相对浓度。对于1-back任务，将三个任务块平均以确保稳健的血流动力学响应。
- 2.
特征提取：从静息态和任务态范式的HbO信号中提取特征。任务相关特征包括广义线性模型衍生的beta值以及关键血流动力学指标（均值、积分、峰值幅度、斜率）。静息态特征侧重于功能连接和图像理论指标。功能连接包括时域功能连接和基于小波变换信号的小波相干性，用于量化特定频段（0.01–0.08 Hz）的相关性。图像理论指标使用GRETNA工具箱计算，包括度、聚类系数、全局/局部效率、度中心性、介数中心性、最短路径长度和小世界属性等。
- 3.
机器学习分析与特征选择：从静息态和1-back任务中总共提取了5,529个静息态特征和395个任务相关特征。使用梯度提升分类器基于特征重要性评分进行特征选择，最终选出108个最相关特征。构建了三个数据集进行分析：静息态数据集、1-back任务数据集以及整合了两者特征的集成数据集。
- 4.
模型训练与评估：对训练集中少数类MCI进行随机过采样以平衡类别分布。对选定的108个特征，采用五种常用分类器进行训练与评估。通过网格搜索结合10折交叉验证进行超参数优化。最佳模型在完整训练集上重新训练，并在独立的测试集上评估其泛化性能。使用准确度、灵敏度、特异性作为主要性能指标，并通过接受者操作特征曲线下面积评估模型的判别能力。
结果
人口统计学和临床特征 最终纳入分析的462名参与者被分为训练集、验证集和独立测试集。除MoCA得分存在显著组间差异外，MCI组与健康对照组在性别、年龄、教育年限等人口统计学特征上均无显著差异。
机器学习模型性能 模型性能评估表明，集成数据集（结合静息态和1-back任务特征）在所有模型中表现最佳。
- •
单一范式表现：在静息态数据集上，最近邻模型的准确度为70.27%；在1-back任务数据集上，决策树模型的准确度为75.68%。
- •
集成范式表现：在集成数据集上，神经网络模型取得了最优性能，准确度达86.49%，灵敏度为94.74%，特异性为77.78%，曲线下面积高达93.49%。
- •
特征重要性分析：分析显示，右侧DLPFC与右侧FPA之间的小波相干性是区分MCI与健康对照的最重要特征。其他关键指标包括小波相干性、功能连接和信号积分等，共同捕捉了大脑连接和任务相关活动的异常。
- •
与MoCA比较：使用MoCA得分作为组分类阈值，获得了86.55%的准确度。其性能与基于单一范式的机器学习模型相当，但逊于集成模型。
讨论
本研究成功开发了一个基于大规模fNIRS前额叶数据的MCI早期筛查集成机器学习模型。核心发现是，结合静息态和1-back任务双范式特征的模型取得了最优的诊断性能，其准确度、灵敏度和特异性均显著高于使用单一范式的模型。这证实了整合多维脑功能信息可以有效提高MCI检测的客观性和准确性。
本研究代表了该领域迄今规模最大的fNIRS研究之一，大样本量有效缓解了因随机因素或个体差异导致的模型过拟合，使提取的特征模式更具群体代表性和统计效力。在方法学上，研究采用了从特征工程到模型优化的系统流程，通过集成方法进行特征选择，并最终由神经网络模型实现最佳分类性能。与先前研究相比，本模型的诊断效能显著提升。
此外，研究发现所构建的fNIRS模型在MCI筛查中的准确度与临床常用的MoCA相当，而其灵敏度与特异性甚至更优。这表明fNIRS模型有潜力作为MoCA的补充或替代工具。从临床应用角度看，完整的联合范式协议可在约10分钟内完成，时间成本可控，且提供的客观神经活动数据不受语言或教育背景影响。
局限与展望
本研究也存在一定局限性。首先，fNIRS信号仅采集自前额叶皮层，可能无法捕获与MCI相关的全脑网络水平异常，从而限制了对MCI神经机制的全面理解，并可能遗漏更有效的互补性诊断生物标志物。其次，本研究为单中心研究，所开发的模型可能包含特定于当地人群和临床环境的偏差。此外，缺乏对MCI队列的纵向随访，无法验证fNIRS对向痴呆转化的预测效用。最后，尽管模型灵敏度很高，但77.78%的特异性意味着在大规模临床部署中会产生一定比例的假阳性，未来需整合更多生物标志物以降低假阳性。
未来的研究方向包括：优化fNIRS系统通道布局，将检测范围扩展至顶叶、颞叶等与MCI进展相关的脑区；开展多中心研究并进行长期随访，以验证模型预测MCI向痴呆转化的能力；探索与其他影像模态的融合。通过这些优化与验证，本研究提出的方法有望转化为临床可用的高效、客观的MCI早期筛查工具。
