利用 Rey 复杂图形测试预测轻度认知障碍的多流深度学习框架

Rey 复杂图形测试（RCFT）等绘画测试被广泛用于评估视觉空间技能和记忆等认知功能，使其成为检测轻度认知障碍（MCI）的有价值工具。尽管具有实用性，但基于这些测试的现有预测模型常常受到样本量小和缺乏外部验证等限制的影响，从而削弱了其可靠性。我们开发了一个多流深度学习框架，该框架集成了两个不同的处理流：使用原始 RCFT 图像的基于多头自注意力的空间流，以及采用先前开发的自动评分系统的评分流。我们的模型在韩国队列中 1,740 名受试者的数据上进行训练，并在来自韩国某医院的 222 名受试者的外部数据集上进行验证。所提出的多流模型在外部验证中表现出优于基线模型的性能（AUC = 0.872，准确率 = 0.781）。空间流和评分流的集成使模型能够从原始图像中捕捉复杂的视觉细节，同时纳入结构化的评分数据，这两者共同增强了其检测细微认知障碍的能力。这种双重方法不仅提高了预测准确性，还增加了模型的鲁棒性，使其在多样化的临床环境中更加可靠。我们的模型对临床环境具有实际意义，可作为早期 MCI 筛查的经济高效工具。