多模态机器学习赋能的数字化认知评估实现认知障碍与淀粉样蛋白阳性的同步检测
本研究介绍了一种创新的多模态机器学习赋能数字化认知评估方法,能够同步检测认知障碍和淀粉样蛋白阳性状态。研究通过整合神经心理学评估、功能性磁共振成像(fMRI)和淀粉样蛋白成像等多源数据,开发出预测准确率超过90%的机器学习模型,显著优于传统方法的70-80%。该方法不仅提高了阿尔茨海默病等认知障碍的早期诊断能力,还能识别与认知衰退相关的语言模式变化和大脑激活特征,为个性化干预策略提供科学依据。通过纳入年龄、教育背景等人口统计变量,模型能够适应不同人群的细微差别,有望在临床实践中实现认知健康评估的范式转变,为全球面临认知衰退风险的人群提供更及时有效的干预方案。

