(资料图片仅供参考)
记者从首都医科大学宣武医院获悉，该院神经内科唐毅教授团队联合首都医科大学生物医学工程学院李春林教授团队近日在《Alzheimer\"s & Dementia》上发表题为“Unsupervised machine learning model to predict cognitive impairment in subcortical ischemic vascular disease”的研究论文。该研究基于长期、多中心随访的皮质下缺血性脑小血管病队列(SIVD)，利用无监督机器学习建模，发现基于DTI+fMRI组合模型可以有效预测认知障碍的发生，为脑小血管病的临床诊疗提供了方便有效的工具。
皮质下缺血性脑小血管病是一种常见的小血管疾病，患病率随着年龄的增长而增加，其中一半的SIVD患者会出现认知功能退化，最终发展为皮层下血管性认知障碍(SVCI)，另一半的SIVD患者并不发生认知障碍。然而，哪些患者最终会发展为认知障碍，目前仍缺乏有效的预测模型，也是亟待解决的临床问题。
首都医科大学宣武医院唐毅教授团队自2015年起开始建立SIVD及SVCI患者队列。本研究纳入83位SVCI 患者和53位SIVD患者，基于患者的临床信息，神经心理测评及多模态核磁影像数据建立无监督机器学习模型，综合比较采用不同模型的预测表现，发现DTI+fMRI组合预测认知障碍发生的准确性、敏感性和特异性分别为86.03%、79.52%和96.23%，高于现有方法。在随后基于外部队列的验证研究显示，该模型表现稳定，准确性、敏感性和特异性分别为80.52%, 71.11%, 和93.75%。
本研究为临床提供了一种基于常规影像学检查的、可有效预测皮质下脑小血管病患者发生认知障碍的模型，同时，从脑结构和脑功能连接的角度进一步揭示皮质下缺血性脑小血管病的发生机制。
据悉，该研究受国家自然科学基金和科技部国家重点研发计划等项目支持。
关键词： 认知障碍 认知障碍风险 无监督机器学习 皮质下缺血性脑小血管病
