基于多模态数据与机器学习的帕金森病轻度认知障碍预测模型构建

《npj Parkinson's Disease》：Construction of a mild cognitive impairment prediction model for Parkinson’s disease patients on the basis of multimodal data

　　本研究针对帕金森病轻度认知障碍（PDMCI）早期识别难题，整合临床量表、步态参数、眼动追踪及神经影像（DTI-ALPS/gFCD）多模态指标，通过支持向量机（SVM）构建预测模型。结果显示"临床+步态+眼动+DTI-ALPS+gFCD"组合模型测试集准确率达0.9135（AUC=0.9602），其中步态与眼动特征组合亦表现优异（AUC=0.9053）。该研究为PDMCI早期筛查提供了客观、可量化的多模态生物标志物体系。

　　

帕金森病（Parkinson's disease, PD）作为第二大神经退行性疾病，不仅表现为震颤、运动迟缓等运动症状，约30%-80%患者会在病程中出现不同程度认知衰退，其中半数最终发展为帕金森病痴呆（PDD）。轻度认知障碍（PDMCI）作为PDD的前驱阶段，其发病机制复杂，早期识别与精准评估始终是临床难点。传统神经心理量表易受教育水平、主观判断等因素干扰，亟需开发客观、量化的生物标志物体系。

昆明医科大学第一附属医院杨兴隆团队在《npj Parkinson's Disease》发表研究，创新性整合临床、步态、眼动追踪及神经影像多模态数据，构建机器学习预测模型。通过前瞻性纳入50例PDMCI患者、50例认知正常PD患者（PDNC）及20名健康对照（HC），采集31种特征组合进行系统评估。研究发现多模态融合模型显著提升诊断效能，尤其步态与眼动特征的组合展现出临床转化潜力，为PDMCI早期筛查提供新范式。

关键技术方法涵盖：1）基于可穿戴传感器（GYENNO SCIENCE MATRIX系列）的双任务步态分析（定时起走-窄路-转向范式）；2）EyeLink系统单目标/多目标眼动追踪（4种角速度刺激）；3）3.0T MRI采集扩散张量成像（DTI）与静息态功能磁共振（rs-fMRI），通过DTI-ALPS指数评估类淋巴系统功能，基于AAL模板计算全局功能连接密度（gFCD）；4）LASSO回归与随机森林（RF）进行特征筛选，支持向量机（SVM）分类器结合嵌套交叉验证构建预测模型。

结果

一般人口学与临床量表特征分析

PDMCI组患者年龄显著高于PDNC组与HC组（中位数63.5岁 vs 60.0/54.0岁，p<0.01），受教育年限更低（6.5年 vs 12年），蒙特利尔认知评估（MoCA）评分明显下降（23分 vs 28分）。非运动症状量表（NMSS）与帕金森病生活质量问卷（PDQ-39）评分升高，提示认知障碍与抑郁、焦虑等非运动症状严重程度及生活质量下降密切相关。

双任务步态参数分析

在窄路双任务范式中，PDMCI组步速（0.37 m/s）、小腿最大后摆角（-38.86°）、躯干最大摇摆角（3.75°）均显著低于PDNC组（p<0.001）。转弯任务中平均持续时间（19.38秒）与步数（23步）增加，表明复杂环境下运动适应能力下降。LASSO回归筛选出5个关键步态特征，其中窄路范式左/右腿最大后摆角对模型贡献最大。

单目标与多目标眼动追踪特征

PDMCI组在多目标追踪任务中反应时间（1839 ms）、任务总时长（6915 ms）显著延长，准确率（21分）低于PDNC组（23分）与HC组（28分）。热图分析显示PDMCI组注视点分散，而HC组注视稳定集中于视野中心。多目标追踪准确率被随机森林识别为最具影响力的眼动特征。

DTI-ALPS与gFCD特征

PDMCI组左侧血管周围间隙扩散张量成像指数（L_ALPS_Index）中位值（1.39）显著低于PDNC组（1.49）与HC组（1.52），提示类淋巴系统功能障碍。gFCD分析发现PDMCI组右前楔叶（脑区68）功能连接密度变化最显著，可能作为认知衰退的神经影像标志物。

SVM分类器性能评估

31种特征组合中，融合临床、步态、眼动、DTI-ALPS和gFCD的模型（模型1）表现最优，测试集准确率0.9135，AUC 0.9602。单独使用步态+眼动特征的模型（模型4）仍达到0.848准确率与0.9053的AUC值，显示其独立预测价值。

SHAP模型可解释性分析

多目标追踪准确率（M.ACC）、受教育年限、窄路小腿最大后摆角（N.SBSM）、右前楔叶gFCD（68）及L_ALPS_Index构成前五大贡献特征。低教育水平与PDMCI风险正相关，而眼动与步态参数作为可量化指标，为基层医疗筛查提供实用工具。

讨论与结论

本研究首次构建融合多模态指标的PDMCI机器学习预测模型。步态参数反映运动-认知双任务执行能力，眼动特征揭示视觉注意力与执行功能损伤，DTI-ALPS指数评估类淋巴系统清除效率，gFCD捕捉脑功能网络重组。尽管神经影像指标提升模型性能，步态与眼动组合因易采集、低成本的特点，更适于临床推广。研究局限性包括单中心小样本、未引入深度学习算法等，未来需通过多中心验证整合血液生物标志物与遗传数据。

该模型通过客观量化指标突破传统量表局限，为PDMCI早期诊断提供新途径。尤其步态与眼动作为动态生物标志物，可实现长期监测与干预效果评估，对延缓认知衰退进程具有重要临床意义。