Flerströms djupinlärningsramverk som integrerar bilder och funktionsrepresentationer för att förutsäga lindrig kognitiv störning med hjälp av Rey Complex Figure Test

Varför teckningar kan avslöja dolda minnesproblem

I takt med att människor lever längre oroar sig många för subtila minnesstörningar och om de kan vara tidiga tecken på demens. Läkare har länge använt enkla penna-och-papperstest för att kontrollera tänkande och minne eftersom de är snabba, kostnadseffektiva och lätta att administrera i vilken klinik som helst. Den här studien visar hur modern artificiell intelligens kan utvinna mycket mer information ur ett klassiskt teckningstest och förvandla det till ett kraftfullt tidigt varningsverktyg för lindrig kognitiv störning, ett tillstånd som ofta föregår demens.

En klassisk bild med nya digitala ögon

Ett ofta använt rituellt uppdrag är Rey Complex Figure Test. Först ombeds en person kopiera en detaljerad, abstrakt linjeteckning och senare rita den igen ur minnet. Traditionellt bedömer experter varje teckning på en 36-punkts skala genom att värdera hur korrekt olika delar är placerade och formade. Dessa poäng ger en användbar bild av visuospatial förmåga och visuellt minne, men de förbiser oundvikligen många subtila egenskaper i teckningen. Författarna till denna artikel ville bygga ett automatiserat system som kunde analysera hela bilden, kombinera den med det vanliga poängresultatet och grundläggande bakgrundsinformation som ålder, kön och utbildningsår, och därefter avgöra om någon sannolikt har lindrig kognitiv störning.

Två vägar för att läsa en teckning

Forskarna utformade en "tvåströms" djupinlärningsmodell som bearbetar varje persons teckningar på två olika sätt samtidigt. I den första vägen, kallad den spatiala strömmen, matas de råskannade bilderna av tre teckningar (kopian, omedelbart återkallande och fördröjt återkallande) in i ett bildigenkänningsnätverk. Detta nätverk, baserat på en arkitektur känd som EfficientNet, lär sig automatiskt visuella egenskaper som former, linjetjocklek och teckningsstil. En särskild uppmärksamhetsmodul hjälper systemet att fokusera mer på de mest informativa regionerna i teckningen. I den andra vägen, kallad poängströmmen, tar modellen emot de vanliga Rey-poängen—genererade automatiskt av ett tidigare tränat poängsättningsnätverk—tillsammans med personens ålder, kön och utbildning. Dessa strukturerade siffror kombineras genom ett enklare prediktionsnätverk. Slutligen medelvärdesbildas utgångarna från de två strömmarna för att ge en enda sannolikhet för att personen har lindrig kognitiv störning istället för normal kognition.

Lära av många äldre vuxna

För att träna och testa sitt system använde teamet teckningar från 1 740 äldre vuxna i en stor koreansk forskningskohort, ungefär hälften med normal kognition och hälften med lindrig kognitiv störning. De delade upp denna datamängd upprepade gånger i tränings-, validerings- och testset för att finjustera modellen och skydda mot överanpassning. Viktigt är att de också utvärderade prestanda på en oberoende grupp om 222 patienter från ett annat sjukhus. Innan de byggde prediktionsmodeller på denna externa uppsättning använde de sitt automatiska poängverktyg för att kontrollera stora avvikelser mellan maskin- och mänskliga poäng; i fall med stora oenigheter gick experter igenom och korrigerade sina bedömningar. Detta kvalitetskontrollsteg förbättrade överensstämmelsen mellan mänskliga och AI-poäng och stärkte sambandet mellan manuella och automatiserade bedömningar.

Hur bra systemet upptäcker tidig försämring

Forskarna jämförde sin tvåströmmodell med flera alternativ: enkla statistiska modeller som använde ett vanligt kort test av allmän kognition, modeller som enbart använde mänskliga Rey-poäng, modeller som enbart använde AI-genererade Rey-poäng, och en djupinlärningsmodell som endast analyserade bilderna utan poängströmmen. I många upprepningar inom huvudkohorten och i den externa sjukhusgruppen presterade det kombinerade tvåströmsystemet konsekvent bäst. I det externa testet nådde det ett area under ROC-kurvan (AUC) på 0,872 och en total noggrannhet på cirka 78 procent, vilket överträffade både traditionella poängbaserade modeller och bild-endast djupnätverk. Dessa förbättringar tyder på att kombinationen av rik visuell detalj och strukturerad poänginformation ger en mer stabil och tillförlitlig bild av tidiga kognitiva förändringar.

Vad detta kan innebära för vanliga kliniker

Ur en patients perspektiv behöver inget i testproceduren ändras: de sätter sig fortfarande med penna och papper och kopierar en komplex figur. I kulisserna kan dock en skanner och AI-systemet nu utvärdera teckningarna på sekunder, generera standardiserade poäng och uppskatta personens risk för lindrig kognitiv störning mer exakt än många befintliga snabba screeningverktyg. Eftersom metoden kräver endast ett välbekant test plus rutinmässig bakgrundsinformation kan den införas på upptagna vårdcentraler utan stora störningar. Även om studien fokuserade på koreanska deltagare och använde endast statiska bilder, pekar tillvägagångssättet mot en framtid där enkla teckningar, tolkade av intelligent programvara, hjälper till att upptäcka subtila kognitiva problem tidigt nog för meningsfull intervention.

Citering: 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

Nyckelord: lindrig kognitiv störning, Rey Complex Figure Test, djupinlärningsscreening, kognitiv bedömning, förebyggande av demens