Многопоточная система глубокого обучения, объединяющая изображения и признаки, для предсказания легких когнитивных нарушений с использованием теста Рея со сложной фигурой

Почему рисунок может выявить скрытые проблемы с памятью

По мере того как люди живут дольше, многих беспокоят незначительные провалы памяти и возможность того, что они могут указывать на ранние стадии деменции. Врачи давно используют простые бумажно-карандашные тесты на рисование для проверки мышления и памяти: они быстрые, недорогие и легко проводятся в любой клинике. Это исследование показывает, как современные методы искусственного интеллекта позволяют извлечь гораздо больше информации из одного классического теста на рисование, превратив его в мощный инструмент раннего оповещения о легких когнитивных нарушениях — состоянии, которое часто предшествует деменции.

Классическая картинка в новых цифровых очах

Одна из широко используемых задач на рисование — тест Рея со сложной фигурой. Человека просят сначала срисовать детальный абстрактный линейный рисунок, а позже — воспроизвести его по памяти. Традиционно эксперты оценивают каждую копию по шкале из 36 баллов, судя о точности расположения и формы разных элементов. Эти оценки дают полезную снимок визуопространственных навыков и визуальной памяти, но неизбежно упускают множество тонких признаков рисунка. Авторы этой работы поставили задачу создать автоматизированную систему, которая могла бы анализировать все изображение целиком, сочетать его с обычным баллом и базовой информацией (возраст, пол, годы образования) и на их основе решать, вероятно ли наличие у человека легких когнитивных нарушений.

Два пути чтения рисунка

Исследователи разработали «двухпоточный» модель глубокого обучения, которая одновременно обрабатывает рисунки человека двумя разными способами. Первый путь, называемый пространственным потоком, подаёт на вход нейросети обработки изображений сырые отсканированные изображения трёх рисунков (копия, немедленное воспроизведение и отсроченное воспроизведение). Эта сеть, основанная на архитектуре EfficientNet, автоматически извлекает визуальные признаки — формы, толщину линий, стиль рисунка. Специальный модуль внимания затем помогает системе сосредоточиться на наиболее информативных участках изображения. Во втором пути, называемом потоком оценок, модель получает обычные баллы теста Рея — автоматически сгенерированные предварительно обученной сетью для выставления оценок — вместе с возрастом, полом и уровнем образования. Эти структурированные числовые данные объединяются в более простой предсказательный сети. Наконец, выходы двух потоков усредняются, чтобы получить единую вероятность того, что у человека легкие когнитивные нарушения, а не нормальная когниция.

Обучение на данных многих пожилых людей

Для обучения и тестирования системы команда использовала рисунки 1 740 пожилых участников крупного корейского когортного исследования, примерно половина из которых имела нормальную когницию, а половина — легкие когнитивные нарушения. Они многократно делили этот набор данных на обучающую, валидационную и тестовую выборки для тонкой настройки модели и защиты от переобучения. Важно, что они также оценивали работу на независимой группе из 222 пациентов из другой больницы. Перед построением предсказательных моделей на этом внешнем наборе они использовали свой автоматизированный инструмент оценки, чтобы выявить большие расхождения между машинными и человеческими оценками; в случаях значительных разногласий эксперты перепроверяли и корректировали свои рейтинги. Этот этап контроля качества улучшил согласованность между человеческими и ИИ-оценками, укрепив связь между ручной и автоматизированной оценкой.

Насколько хорошо система выявляет ранние нарушения

Исследователи сравнили свою двухпоточную модель с несколькими альтернативами: простыми статистическими моделями с распространённым кратким тестом общей когниции, моделями, использующими только человеческие оценки Рея, моделями, использующими только оценки Рея, сгенерированные ИИ, и моделью глубокого обучения, анализировавшей только изображения без потока оценок. Во многих повторениях внутри основной когорты и в внешней группе больницы комбинированная двухпоточная система последовательно показывала лучшие результаты. В внешнем тесте она достигла площади под кривой оператора приемника (AUC) 0,872 и общей точности около 78 процентов, превосходя как традиционные модели на основе оценок, так и нейросеть, работающую только с изображениями. Эти улучшения указывают на то, что сочетание богатых визуальных деталей и структурированной информации об оценках обеспечивает более стабильную и надёжную картину ранних когнитивных изменений.

Что это может значить для повседневных клиник

С точки зрения пациента ничего в процедуре меняться не должно: ему по-прежнему предлагают сесть с карандашом и бумагой и срисовать сложную фигуру. Однако за кулисами сканер и система ИИ теперь могут оценить рисунки за считанные секунды, сгенерировать стандартизированные баллы и точнее, чем многие существующие быстрые скрининговые инструменты, оценить риск наличия легких когнитивных нарушений. Поскольку метод требует лишь одного знакомого теста плюс рутинной фоновой информации, его можно внедрить в загруженные центры обследований без серьёзных сбоев. Хотя исследование было сосредоточено на корейских участниках и использовало только статические изображения, подход указывает на будущее, в котором простые рисунки, интерпретируемые интеллектуальным ПО, помогают выявлять тонкие когнитивные проблемы достаточно рано для эффективного вмешательства.

Цитирование: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Ключевые слова: легкие когнитивные нарушения, тест Рея со сложной фигурой, скрининг глубоким обучением, оценка когнитивных функций, профилактика деменции