全世界每3秒就有一例阿尔茨海默病（AD）新发病例，AD一旦发病便不可逆转，轻度认知功能障碍（MCI）是AD的前期症状，因此在MCI时期早诊断对治疗关口前移尤为重要。

既往研究表明，嗅觉可用于AD的早期诊断[1-4]。基于这一证据，Jaewon Kim等通过两项独立的诊断干预实验，使用机器学习算法研究嗅觉刺激下近红外脑功能成像技术(fNIRS)的潜在诊断效果[5]。

图1 利用原始实验97例被试和附加实验的36例被试数据，建立传统经典模型和机器学习模型并进行验证，右边为两种模型在附加实验中的AUC值.

该研究包括先前发表的原始实验(n=97)和一项独立的附加实验(n=34)。

一、原始实验

二、附加实验

• fNIRS检测

7通道双波长fNIRS设备，检测眶额叶皮层区域。所有参与者进行两种嗅觉刺激（无味VS薄荷味）下的fNIRS测量。40s的基线期，然后嗅觉刺激20s，每个测试重复3次（即3分钟）。

• 统计分析

以年龄、性别、体重指数(BMI) 、受教育年限、家庭收入、CCI(Charlson合并症指数)、APOE4载体、MMSE结果、SNSB结果的z分数（针对年龄教育水平进行标准化）、淀粉样蛋白PET标准摄取值比率以及脑MRI的海马体积分数。使用C统计量来表示受试者工作特征曲线(AUC)下的平均面积（0-1，值越高表示预测性越好），使用95%的置信区间作为MCI和/或AD的预测模型不确定性的度量，可帮助判断模型的稳定性和可靠性。

• 机器学习模型

首先对数据进行预处理，包括计算每个特征的均值和标准差，并进行归一化处理等。机器学习模型纳入11个特征（fNIRS、年龄、性别、家庭收入、吸烟情况、受教育年限、CCI、fNIRS*受教育年限、fNIRS*CCI、fNIRS*家庭收入、fNIRS*年龄）。

下图展示了两个模型的架构。第一个模型是基于轻量级梯度提升(LGB)算法训练模型获得最佳超参数，用于区分MCI（不包括AD）和认知正常(CN)。基于优化后的模型，通过对极端梯度提升算法(XGBoost)、梯度提升算法(GB)和LGB模型，计算得出MCI和CN的概率。第二个模型使用GB和LGB模型的集成方法获得最佳超参数，用于区分MCI-AD与CN。通过对GB和LGB模型，计算得出MCI-AD和CN的概率。

利用五折交叉验证模型（原始数据集随机分成五个大小相等互斥子集，依次选择四个子集作为训练集，剩下的一个子集作为验证集，使用平衡准确率来评估模型在验证集上的性能），计算出五个模型的平衡精度值，并将其作为交叉验证模型的权重。将五个模型进行加权组合，得出的概率值即为MCI和CN (MCI-AD和CN) 的最终概率。

图2 两个模型的整体架构

MCI和CN的分类使用结合XGBoost、GB和LGB三个模型的集成方法，

MCI-AD和CN的分类使用结合XGBoost、GB、LGB和AdaBoost四种模型的集成方法。

五倍交叉验证模型的平衡精度值用于交叉验证模型的权重，用以集成模型。

CN: 认知正常; MCI: 轻度认知障碍; XGBoost: 极端梯度提升算法；

GB: 梯度提升算法；LBG: 轻量级梯度提升算法；AdaBoost: 自适应增强; AD: 阿尔茨海默病。

三、结果

1、133名受试者中71名CN，41名MCI患者，21名AD患者。

2、MCI-AD和CN的分类结果，在原始试验和附加试验中，机器学习模型的AUC值(0.925、0.825)高于经典统计模型的AUC值(0.873、0.639)。MCI和CN的分类结果，在原始试验和附加试验中，机器学习模型的AUC值(0.860、0.854)高于经典统计模型的AUC值(0.852、0.688)。

3、在两种分类模型的11个特征中，fNIRS（嗅觉刺激的眶额叶皮层氧合血红蛋白变化）重要性最高。

图3 11个特征的重要性排名(a) MCI-AD和CN的分类; (b) MCI和CN的分类。

CN: 认知正常; MCI: 轻度认知障碍; AD: 阿尔茨海默病; 

OD: 嗅觉刺激的眶额叶皮层氧合血红蛋白变化; 

SS：吸烟状况; HI：家庭收入; YE：受教育年限;

 CCI: Charlson合并症指数。

四、结论

五、讨论

使用嗅觉刺激的fNIRS检测时间短，适合各类人群各种场景，fNIRS检测成本较低，且没有CT的辐射暴露和量表测试对文化程度的限制等问题，未来普及性会更好。

这种新方法能够快速诊断MCI，为MCI患者提供更精准的医疗服务，预防AD。

☞ 参考文献：

以上内容由依瑞德集团医学中心翻译整理，有不足之处请指正，转载请注明出处。