多流深度学习框架整合图像与特征表示以使用雷氏复杂图形测试预测轻度认知障碍

为何画画能揭示潜在的记忆问题

随着人们寿命延长，许多人对细微的记忆丧失感到担忧，并想知道这些是否可能预示痴呆的早期阶段。医生长期使用简单的纸笔绘图测试来检查思维和记忆，因为这些测试快速、低成本且便于在任何诊所施测。本研究展示了现代人工智能如何从一种经典绘图测试中挖掘更多信息，把它转变为一种对常常先于痴呆出现的轻度认知障碍具有强大预警能力的工具。

一个经典图形的新数字视角

一种广泛使用的绘图任务是雷氏复杂图形测试。受试者先被要求临摹一幅复杂的抽象线描图，稍后再凭记忆重画它。传统上，专家按36分制对每幅图进行评分，判断不同部位的放置和形状准确性。这些分数能提供有关视觉空间能力和视觉记忆的有用快照，但不可避免地忽略了许多绘图的细微特征。本文作者旨在构建一个自动化系统，能够观察整张图像，将其与常规得分以及年龄、性别和受教育年限等基本背景信息相结合，然后判断某人是否可能患有轻度认知障碍。

阅读一幅图的两条路径

研究人员设计了一个“双流”深度学习模型，同时以两种不同方式处理每位受试者的绘图。在第一条路径中，称为空间流，三幅绘图的原始扫描图像（临摹、即时回忆和延迟回忆）被输入到一个图像识别网络。该网络基于一种称为EfficientNet的架构，自动学习诸如形状、线条粗细和绘画风格等视觉特征。一个特殊的注意力模块进一步帮助系统更多关注图中信息量最大的区域。在第二条路径中，称为评分流，模型接收常规的雷氏测试分数——由先前训练的评分网络自动生成——以及受试者的年龄、性别和教育年限。这些结构化数字通过一个更简单的预测网络进行组合。最后，两条流的输出被平均，生成一个单一概率，表示该人更可能是轻度认知障碍而非认知正常。

从大量老年人中学习

为训练和测试他们的系统，团队使用了来自韩国一项大型研究队列中1740名老年人的绘图，约一半为认知正常，另一半为轻度认知障碍。他们反复将该数据集划分为训练、验证和测试集，以微调模型并防止过拟合。关键的是，他们还在来自另一家医院的222名独立患者群体上评估了性能。在对该外部集合构建预测模型之前，他们使用自动评分工具检查机器与人工评分之间的大幅不一致；在出现较大分歧的情况下，专家会重新核查并纠正评分。该质量控制步骤提高了人工与AI评分之间的一致性，缩紧了手工与自动评估之间的联系。

系统识别早期损害的效果如何

研究人员将他们的双流模型与几种替代方法进行了比较：使用常见简短综合认知测试的简单统计模型、仅使用人工雷氏评分的模型、仅使用AI生成雷氏评分的模型，以及仅查看图像而没有评分流的深度学习模型。在主队列内多次重复以及外部医院组中，组合的双流系统始终表现最佳。在外部测试中，其受试者工作特征曲线下面积（AUC）达到0.872，总体准确率约为78％，优于传统基于评分的模型和仅图像的深度网络。这些提升表明，丰富的视觉细节与结构化评分信息的结合提供了对早期认知变化更稳定、更可靠的描绘。

这对日常诊所可能意味着什么

从患者角度看，测试本身无需改变：他们仍然使用铅笔和纸进行复杂图形的临摹。幕后的流程则不同：扫描仪和AI系统现在可在数秒内评估绘图、生成标准化分数并比许多现有的快速筛查工具更准确地估计受试者的轻度认知障碍风险。由于该方法只需一种熟悉的测试加上常规背景信息，就可以在繁忙的体检中心中无需重大调整地部署。尽管该研究以韩国参与者为主并仅使用静态图像，但这种方法指向了一个前景：通过智能软件解读的简单绘图有望在早期揭示微妙的认知问题，从而为有意义的干预争取时间。

引用: 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

关键词: 轻度认知障碍, 雷氏复杂图形测试, 深度学习筛查, 认知评估, 痴呆预防