通过机器学习识别的整合皮质—认知特征可早期检测2型糖尿病中的轻度认知障碍

这对糖尿病患者为何重要

讨论2型糖尿病时，人们通常关注血糖、眼睛、肾脏或足部问题。但它也可能在不声不响中影响大脑，导致记忆淡忘和思维变慢，常在痴呆出现前数年就已开始。本研究表明，通过同时仔细分析脑部影像和认知测试，医生或许能够在日常生活严重受影响之前，早期发现糖尿病患者的记忆问题预警信号。

追踪三条大脑健康路径

研究者招募了150名45至65岁的成人，分为三组严格匹配的受试者：无糖尿病者、患有2型糖尿病但认知正常者、以及患有2型糖尿病并伴有轻度认知障碍（MCI）者——MCI为明显但仍属早期的记忆与思维问题阶段。所有人都完成了一套详尽的纸笔认知测试，并接受高分辨率的脑部MRI扫描。通过并排比较这三组，研究团队能够区分由衰老、糖尿病本身及特异性早期认知衰退所致的变化。

一个小而重要的大脑区域凸显

研究者利用MRI扫描测量大脑外层（大多数认知活动所在地）的皮质厚度。在多个脑区中，糖尿病患者相比健康志愿者表现出皮质变薄，而同时患糖尿病和MCI者通常变化更明显。尤其左侧额叶的一个小区域——operularis pars（操纵部/颞上回邻近区域）呈现明确的阶梯式变化：在健康个体中最厚、糖尿病者较薄、糖尿病合并MCI者最薄。这一平滑的进展提示该小区域可能作为糖尿病相关认知衰退的早期结构性标志。

能揭示微妙变化的认知测试

团队还考察了哪些认知测试最能区分三组。测量人们在页面上快速且灵活连接项目能力的任务（轨迹追踪测试A与B，即Trail Making Tests A和B）以及测试口头词表学习与记忆能力的任务（Rey听觉语言学习测试及其延迟回忆版本）显示出最强且最一致的差异。总体而言，糖尿病者的表现差于健康个体，而糖尿病合并MCI者的表现最差。相比之下，诸如简短精神状态检查（MMSE）和蒙特利尔认知评估（MoCA）等常用快速筛查工具常无法区分是否合并MCI的糖尿病患者，提示该人群需要更有针对性的测试。

连接脑结构、认知能力与机器学习

为找到最具信息量的测量组合，研究者使用了一种称为随机森林（Random Forest）的机器学习方法。他们训练了三种模型版本：一种仅使用关键脑区的影像测量，一种仅使用最有信息量的认知测试分数，另一种则将两者结合。结合模型表现最佳，能以很高的准确率将合并MCI的糖尿病患者与未合并者区分开来。随后使用一种解释工具（SHAP）显示模型最依赖的特征，结果突出了两项主要因素：左侧操纵部的皮质厚度以及那项更具挑战性的轨迹追踪测试，后者涉及执行功能和处理速度。

对早期预警与护理的意义

对于2型糖尿病患者而言，关键结论是：在痴呆出现之前很久，就能检测到细微的大脑和认知变化，而一个小的额叶区域联合有针对性的认知测试，可能提供实用的早期预警系统。如果在更大规模及更长期的研究中得到验证，这种整合方法可帮助临床医生识别未来记忆问题风险最高的人群，并对其进行更密切的随访、更严格的血糖和血压管理，以及通过运动和认知训练等生活方式干预来维护大脑健康。

引用: Saluja, K.V., Balachandran, P., Pillai, D. et al. Integrated cortical-cognitive signatures identified by machine learning enable early detection of MCI in type 2 diabetes. Sci Rep 16, 13533 (2026). https://doi.org/10.1038/s41598-026-44608-z

关键词: 2型糖尿病, 轻度认知障碍, 脑部MRI, 认知测试, 机器学习