輕度認(rèn)知障礙目絡(luò)特征分析與辨識模型構(gòu)建研究

吳鐵成，曹 蕾，尹蓮花，何友澤，劉志臻，楊敏光，徐 穎，吳勁松*

1 福建中醫(yī)藥大學(xué)康復(fù)產(chǎn)業(yè)研究院，福建 福州 350122；

2 福建中醫(yī)藥大學(xué)附屬第二人民醫(yī)院，福建 福州 350003

輕度認(rèn)知障礙（mild cognitive impairment，MCI）作為健康老齡化和癡呆之間的臨床前和過渡階段，是延緩癡呆進(jìn)展的重要階段［1］。有研究者對66 篇文章的薈萃分析發(fā)現(xiàn)，50 歲及以上的社區(qū)老年人MCI 的總患病率為15.5%，且隨著年齡的增長而增加［2］，其發(fā)展為癡呆的累積比例為39.2%［3］。因此，針對高危人群中MCI的早期辨識顯得更為關(guān)鍵。

目絡(luò)，可理解為現(xiàn)代醫(yī)學(xué)中的結(jié)膜微循環(huán)，主要由細(xì)動脈、細(xì)靜脈及毛細(xì)血管網(wǎng)組成，其位置淺表，易于觀察，是觀察全身微循環(huán)的窗口［4］。有研究證實，結(jié)膜微循環(huán)與大腦血管發(fā)育及生理結(jié)構(gòu)相似，通過結(jié)膜微循環(huán)檢查可反映中樞神經(jīng)系統(tǒng)及全身血管系統(tǒng)的生理病理變化［5］。動物實驗發(fā)現(xiàn)，結(jié)膜微循環(huán)與大腦皮質(zhì)之間存在顯著的相關(guān)性，表明結(jié)膜微循環(huán)可能作為觀察大腦微循環(huán)的指標(biāo)［6-7］。SMITH 等［8］使用計算機輔助活體顯微鏡對阿爾茨海默?。ˋlzheimer's disease，AD）患者的結(jié)膜微循環(huán)進(jìn)行檢測，發(fā)現(xiàn)AD 患者的腦血管變性會引起結(jié)膜微循環(huán)異常，如小靜脈異常寬大、毛細(xì)血管減少、相鄰血管內(nèi)血管淤積、微動脈瘤等?；谏鲜隼碚?，有學(xué)者研究了AD 患者的目絡(luò)特征，結(jié)果發(fā)現(xiàn)，AD 組重要目絡(luò)形態(tài)特征為“斑”，目絡(luò)顏色“黯褐色”特征分值高于對照組，而“紫色”“粉色”低于對照組［9］。然而，目前MCI 患者的目絡(luò)特征尚不明確，若能明確其特征，則有助于MCI的精準(zhǔn)辨識。

MCI 屬于“腦病”范疇，其病位證素涉及心、腎、肝、脾和肺等臟腑［10］。病性證素多為氣虛、血虛、陰虛、陽虛、血瘀和痰濁等［11-14］。這些中醫(yī)證素也是MCI 辨識的重要依據(jù)。目與腦關(guān)系密切，且相互影響?！澳空撸闹拐摺薄笆稚訇幹}……系目系”，故“神”以心為舍，由目入腦［15-16］。當(dāng)出現(xiàn)腦功能障礙時，目的“旁支細(xì)絡(luò)”也即目絡(luò)，會出現(xiàn)形態(tài)、顏色方面的改變。目絡(luò)特征的改變與中醫(yī)證素特點密切關(guān)聯(lián)。若將目絡(luò)特征與中醫(yī)證素辨證相結(jié)合，有助于進(jìn)一步提升對MCI 的辨識［17］。而隨著人工智能和現(xiàn)代醫(yī)學(xué)的發(fā)展，眼部影像診斷系統(tǒng)可以通過數(shù)字化方法采集目絡(luò)特征，可實現(xiàn)客觀、量化目絡(luò)特征數(shù)據(jù)，為其結(jié)合中醫(yī)證素進(jìn)行MCI 的辨識提供了可能。

本研究旨在運用眼健康成像儀采集MCI 人群的目絡(luò)信息，探究MCI 人群的目絡(luò)特征的分布規(guī)律，并把目絡(luò)特征和中醫(yī)證素資料作為辨識指標(biāo)，運用機器學(xué)習(xí)算法構(gòu)建MCI 辨識模型，以期能為MCI的中醫(yī)辨識和預(yù)防提供客觀化依據(jù)。

1 臨床資料

1.1 研究對象

1.1.1診斷標(biāo)準(zhǔn) 符合《2018 年中國癡呆與認(rèn)知障礙診治指南》［18］中關(guān)于MCI 的診斷標(biāo)準(zhǔn)，并通過神經(jīng)內(nèi)科醫(yī)生依據(jù)MCI 診斷標(biāo)準(zhǔn)結(jié)合神經(jīng)心理學(xué)評估結(jié)果進(jìn)行診斷。

1.1.2納入標(biāo)準(zhǔn) ① 年齡55～75 周歲；② 癡呆篩查面談8項（AD8）≥2分［19］；③ 福州版蒙特利爾認(rèn)知評估量表（Fuzhou version of Montreal cognitive assessment，MoCA）在19～24 分，若受教育年限≤6 年，則為14～19分［20］；④ 簽署知情同意書，自愿參加。

1.1.3排除標(biāo)準(zhǔn) ① 有腦外傷、腦梗死、帕金森病、癲癇等神經(jīng)系統(tǒng)疾病史；② 簡版老年人抑郁量表（geriatric depression scale-15，GDS-15）≥8 分［21］；③有抑郁癥狀者或其他精神相關(guān)疾病患者，近2 周內(nèi)服用過神經(jīng)抑制類藥物或相關(guān)精神類藥物者；④ 患有糖尿病合并視網(wǎng)膜病變或其他視網(wǎng)膜疾病者；⑤患有結(jié)膜炎、角膜炎等可引起白睛血絡(luò)顏色、形態(tài)改變的眼部疾病者；⑥ 因眼部外傷、手術(shù)等影響檢查或不能耐受目診儀檢查者；⑦ 佩戴眼鏡、助聽器后也仍存在視聽障礙者；⑧ 文盲或聽不懂普通話者；⑨ 正在參加影響本研究結(jié)果評價的其他臨床試驗者。

1.1.4中止標(biāo)準(zhǔn) ① 評估過程中，不能按評估要求進(jìn)行認(rèn)知評估的受試者；② 評估過程中，因任何原因提出主動退出的受試者；③ 評估期間出現(xiàn)突發(fā)事件或疾病不能繼續(xù)參加試驗者。

1.2 一般資料

本研究于2022 年4 月—2022 年12 月在福建省福州市5個社區(qū)和福建中醫(yī)藥大學(xué)附屬第二人民醫(yī)院健康管理中心招募受試者。累計招募符合條件受試者404 例，將2 組人群按照性別、年齡、受教育年限以卡鉗值0.2 進(jìn)行1∶1 傾向性得分匹配，最終納入316 名受試者，其中認(rèn)知正常組和MCI 組各158 例。2 組一般資料比較差異無統(tǒng)計學(xué)意義（P＞0.05），具有可比性。見表1。本研究已通過福建中醫(yī)藥大學(xué)附屬康復(fù)醫(yī)學(xué)倫理委員會以及福建中醫(yī)藥大學(xué)附屬第二人民醫(yī)院倫理委員會審批（審批號分別為2019KY-002-02和SPHFJP-K2019001-1）。

表1 2組一般資料比較［M（P25，P75）］Table 1 Comparison of general data between two groups ［M（P25，P75）］

2 方 法

2.1 神經(jīng)心理學(xué)采集方法

2.1.1認(rèn)知功能評分 MoCA 是被用于篩查MCI 患者最常用的整體認(rèn)知評估量表，覆蓋了8 個認(rèn)知領(lǐng)域的測試，共30 個單項，每項回答正確者得1 分，回答錯誤或答不知道者不得分，各認(rèn)知領(lǐng)域測試得分相加得到量表總分，滿分為30 分，分?jǐn)?shù)越高表示受試者總體認(rèn)知功能越好。

2.1.2抑郁狀態(tài)評分 GDS-15 用以鑒別受試者是否有抑郁傾向。該量表共15 項，有10 個條目為正向，回答“是”，計1 分，“否”計0 分；其中條目第1、5、7、11、13 為反向計分，回答“是”計為0 分，“否”計1 分。滿分15 分；GDS-15≥8 分表示可能有抑郁的問題。本研究需用以排除抑郁對老年認(rèn)知功能評估的影響。

2.2 中醫(yī)證素辨識方法

2.2.1中醫(yī)證候信息采集表 采用福建中醫(yī)藥大學(xué)中醫(yī)診斷學(xué)科自行研發(fā)的中醫(yī)證素辨識系統(tǒng)進(jìn)行MCI 中醫(yī)證素辨證，它主要是以中醫(yī)證候信息采集表作為證候信息采集工具，再結(jié)合《中藥新藥臨床研究指導(dǎo)原則（試行）》［22］中對臨床癥狀的輕、中、重進(jìn)行鑒別，制定了內(nèi)容較為完善的中醫(yī)證候信息采集表。

2.2.2中醫(yī)證素辨識 中醫(yī)證素辨識系統(tǒng)的證素辨識過程以朱文鋒編纂的《證素辨證學(xué)》［23］為理論指導(dǎo)，在系統(tǒng)的辨證過程中，主要通過對患者中醫(yī)證候信息采集來提取證候要素。根據(jù)證候在診斷中的輕重，采取了加權(quán)閾值法確定證素每一癥狀的輕重，未明確指明輕重程度，默認(rèn)以中等程度為準(zhǔn)，若癥狀重時，其定量診斷值乘1.5，若該癥狀輕時，乘0.7。辨證時，先分別將患者的癥狀按提示的辨證要素進(jìn)行累加，取超過100閾值的項目作為辨證診斷。

2.3 目絡(luò)圖像信息采集方法

應(yīng)用北京博奧生物公司研發(fā)的MY EYE D-10目診儀（產(chǎn)品貨號：400411），囑受試者正坐于目診儀鏡頭前，分別拍照采集左、右眼部圖像。操作流程以單側(cè)眼睛為例，囑受試者將眼皮貼合于儀器托架上，眼睛直視正前方，并用力睜大，充分暴露白睛部分。一名研究者操作目診儀器進(jìn)行拍照采集，囑受試者頭部固定，眼睛分別向左側(cè)、右側(cè)、上方、下方光源位置注視。當(dāng)水平看向左、右側(cè)光源時，助手從旁用手指輕拉上下眼瞼；當(dāng)向上方光源看時，助手用手指輕拉住受試者下眼瞼；當(dāng)向下方光源看時，助手用手指輕拉住受試者上眼瞼，以充分暴露白睛部分。最終采集到雙眼正前、左、右、上、下各5 張充分暴露白睛部位的圖像，并數(shù)字化提取目絡(luò)中“斑”“點”“霧漫”“月暈”“丘”“血脈”的分布頻率特征。

2.4 MCI辨識模型的構(gòu)建方法

采用SPSS Modeler 18.0 統(tǒng)計軟件，將篩選后的目絡(luò)和證素特征作為自變量，將MCI 成立是否作為因變量，導(dǎo)入經(jīng)典機器學(xué)習(xí)算法，分別構(gòu)建模型，辨識是否為MCI。

2.4.1機器學(xué)習(xí)算法選擇 ① 支持向量機（support vector machine，SVM）［24］，主要通過尋找類別的最優(yōu)超平面實現(xiàn)類別分類，其核心方法在于直接確定核函數(shù)，來解決高維映射的維數(shù)問題，故常用在小樣本、非線性和高維的回歸和二分類問題上。② 決策樹C5.0（decision tree C 5.0，DT C5.0）［25］，以其數(shù)據(jù)分析能力和相對直觀的模式，被廣泛應(yīng)用的一項分類算法。采用迭代式從頂部向下的移動方式選擇最優(yōu)特征，并對訓(xùn)練數(shù)據(jù)進(jìn)行分割實現(xiàn)分類。其中DTC5.0 算法適用于大多數(shù)問題，且更容易理解和部署。③ 人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）［26］，是在一種模擬人腦思維的計算機建模方式，由相連鏈接的神經(jīng)元組成。根據(jù)神經(jīng)網(wǎng)絡(luò)層數(shù)，分為2 層、3 層和多層神經(jīng)網(wǎng)絡(luò)，由輸入層、隱藏層和輸出層組成。主要通過調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)各層級各節(jié)點的相互連接，來達(dá)到處理信息的目的。④ 隨機森林算法（random forest，RF）［27］，是由大量決策樹構(gòu)建而成，具有抗噪能力強、防止過擬合、方便數(shù)據(jù)等特點，通過計算每個決策樹的結(jié)果，選擇加權(quán)投票數(shù)量最多的結(jié)果為最終結(jié)果。較之傳統(tǒng)決策樹算法，具有較高的預(yù)測準(zhǔn)確率。

2.4.2機器算法模型構(gòu)建流程 采用SPSS Modeler 18.0 統(tǒng)計軟件進(jìn)行模型構(gòu)建，以支持向量機（SVM）建模為例。在該軟件中，在“Sources”選項卡添加“Excel”節(jié)點，導(dǎo)入“Model data.xlsx”。在“Field Ops”選項卡添加“Type”節(jié)點，設(shè)置認(rèn)知等級為“Target”，目絡(luò)特征和中醫(yī)證素為“Input”，再添加“Partition”節(jié)點。以4∶1 的比例，隨機將臨床數(shù)據(jù)分為80%訓(xùn)練集和20%驗證集［28］，訓(xùn)練數(shù)據(jù)集被用于特征選擇和模型開發(fā)，其相應(yīng)的測試數(shù)據(jù)集被用于開發(fā)的模型的獨立測試。在“Modeling”選項卡添加“SVM”節(jié)點，設(shè)置模型名稱為“SVM模型”，模式選擇“Expert”，然后運行整個模型。在“Output”選項卡添加“Analysis”節(jié)點，在“Graphs”選項卡添加“Evaluation”節(jié)點。構(gòu)建模型結(jié)束后，運行模型獲得結(jié)果。

決策樹模型、人工神經(jīng)網(wǎng)絡(luò)模型和隨機森林模型，均應(yīng)用SPSS Modeler 18.0統(tǒng)計軟件，具體方法與SVM模型方法相似。

2.4.3模型效果評價指標(biāo) 本研究的模型評價指標(biāo)包括準(zhǔn)確率（accuracy）、受試者工作特征曲線（receiver operator characteristic curve，ROC）和曲線下面積（area under curve，AUC），其中分類結(jié)果有4種情況：真陽性（true positive，TP）、假陽性（false positive，F(xiàn)P）、真陰性（true negative，TN）和假陰性（false negative，F(xiàn)N）。

2.4.3.1準(zhǔn)確率 指真陽性與真陰性之和占總例數(shù)的比例。準(zhǔn)確率越高，真實性越好。

2.4.3.2敏感度 又稱真陽性率，是分類判別陽性而被模型正確地判別為陽性樣本的比例。該值越大越好，反映了正確判別陽性病例的能力。

2.4.3.3特異度 又稱真陰性率，是分類判別陰性而被模型正確判別陰性的比例。該值越高，反應(yīng)模型誤判率越低，反映了正確排除陽性病例的能力。

2.4.3.4ROC 曲線下面積 又稱AUC，是綜合評價模型準(zhǔn)確性的重要指標(biāo)，其取值范圍為0～1。值越高表示模型判別價值越高。

2.5 統(tǒng)計學(xué)方法

采用SPSS 26.0 進(jìn)行數(shù)據(jù)統(tǒng)計分析。定量資料符合正態(tài)分布的采用（±s）表示，不符合正態(tài)分的布采用中位數(shù)（四分位數(shù)）M［P25，P75］表示；組間比較，若各組均滿足正態(tài)性且方差齊，采用兩獨立樣本t檢驗，若不滿足則采用兩樣本非參數(shù)Mann-WhiteneyU檢驗。對于分類資料，使用頻數(shù)、百分率或構(gòu)成比（n，%）進(jìn)行描述；兩組間比較，無序分類資料采用卡方檢驗或Fisher 精確概率檢驗。采用Delong檢驗比較各模型的AUC。以P＜0.05 為差異有統(tǒng)計學(xué)意義。

3 結(jié) 果

3.1 MCI人群目絡(luò)特征

MCI組紅色點、黯褐色斑、黯黃色霧漫、丘、血脈紅色、血脈迂曲分布頻率高于認(rèn)知正常組（P＜0.05），黯粉色斑頻率低于認(rèn)知正常組（P＜0.05）。2 組間“月暈”特征分布頻率差異無統(tǒng)計學(xué)意義（P＞0.05）。見表2。

表2 MCI與認(rèn)知正常人群目絡(luò)特征比較（n，%）Table 2 Comparison of eyes collateral channels characteristic between MCI and normal cognition groups （n，%）

3.2 MCI人群中醫(yī)證素分布特征

MCI 組心、脾、肝積分均高于認(rèn)知正常組，中位數(shù)分別為83.2、90.0、182.6（P＜0.05）。MCI 組的痰、濕、血瘀、氣滯、熱、陽亢、暑、食積積分均高于認(rèn)知正常組（P＜0.05）。見表3。MCI組的陰虛、血虛、氣虛、津虧、氣陷積分均高于認(rèn)知正常組（P＜0.05）。見表4。對158 例MCI 患者中醫(yī)證素特征分布進(jìn)行統(tǒng)計分析后發(fā)現(xiàn)，病位證素以肝出現(xiàn)頻率最多（98.1%），其次為腎（96.8%）、筋骨（82.3%），再者為脾（65.8%）、心（55.7%）、經(jīng)絡(luò)（53.2%）、膽（31.6%）、心神（30.4%）、胃（27.8%）、肺（25.3%）。其中心、肝、脾證素分值均高于認(rèn)知正常組（P＜0.05），病性證素中對實性證素和虛性證素的分析發(fā)現(xiàn)，出現(xiàn)頻率最多的實性證素為痰（94.3%）和濕（94.3%），頻數(shù)分布次之是血瘀（88.6%）和氣滯（84.8%）；出現(xiàn)頻數(shù)最多的虛性證素為陰虛（97.5%）和血虛（94.9%），其次是氣虛（90.5%）和陽虛（76.6%）。

表3 MCI與認(rèn)知正常人群實性證素積分比較［M（P25，P75）］Table 3 Comparison of real syndrome elements between MCI and normal cognition groups ［M（P25，P75）］

表4 MCI與認(rèn)知正常人群虛性證素積分比較［M（P25，P75）］Table 4 Comparison of deficiency syndrome elements between MCI and normal cognition groups ［M（P25，P75）］

3.3 MCI辨識模型建立結(jié)果

本研究將MCI 白睛目絡(luò)特征和有統(tǒng)計學(xué)差異的常見中醫(yī)證素特征進(jìn)行信息聯(lián)合運用機器學(xué)習(xí)不同算法構(gòu)建MCI辨識模型。

3.3.1支持向量機算法 基于本算法分析，模型結(jié)果顯示：預(yù)測變量重要性排序較高的是氣滯、脾、痰、黯黃色霧漫，其次為陽亢、陰虛、心、肝、黯褐色斑、筋骨。

3.3.2決策樹C5.0 算法 基于本算法分析特征要素，模型結(jié)果顯示：預(yù)測變量重要性排序依次為痰、血瘀、黯黃色霧漫、陰虛、寒、血脈迂曲、黯粉色斑。該模型的深度為6，共有16 個節(jié)點，8 個終結(jié)點，形成對MCI 診斷的8 條路線，其中貢獻(xiàn)率較大的特征要素為痰。

3.3.3人工神經(jīng)網(wǎng)絡(luò)算法 基于人工神經(jīng)網(wǎng)絡(luò)算法，模型結(jié)果顯示：預(yù)測變量重要性排序較高的為氣滯、黯褐色斑、濕，其次為肝、血脈紅色、陽亢、腎、血脈迂曲、脾、氣虛。其中貢獻(xiàn)率較大的特征要素為氣滯。

3.3.4隨機森林算法 基于隨機森林算法，模型結(jié)果顯示：預(yù)測變量重要性特征變量為腎、陽虛、血瘀，其次為經(jīng)絡(luò)、血脈紅色、精虧、血虛、血脈迂曲、痰、血脈迂曲。其中貢獻(xiàn)率較大的特征要素為腎和陽虛。各個模型訓(xùn)練集和驗證集的準(zhǔn)確率、敏感度、特異度和AUC（接受者操作特性曲線下面積）。見表5 和圖1。但4 種模型間AUC 值差異無統(tǒng)計學(xué)意義（P＞0.05）。

圖1 不同機器學(xué)習(xí)算法的模型在訓(xùn)練集（左）和驗證集（右）中的ROC曲線Figure 1 ROC curves of different machine learning model in the training set （left） and testing set （right）

表5 不同機器學(xué)習(xí)算法的MCI辨識模型評估比較Table 5 Comparison of different MCI recognition machine learning algorithms

4 討 論

本研究基于現(xiàn)代技術(shù)，運用眼健康成像儀采集MCI人群的目絡(luò)信息，探索了MCI人群的目絡(luò)特征，并結(jié)合MCI 人群中醫(yī)證素資料構(gòu)建了MCI 辨識模型，為MCI的辨識和預(yù)防提供了客觀化依據(jù)。

通過目診儀采集目絡(luò)信息，我們發(fā)現(xiàn)，MCI患者紅色點、黯褐色斑、黯黃色霧漫、丘、血脈紅色、血脈迂曲出現(xiàn)頻率均高于認(rèn)知正常組，相反，黯粉色斑的頻率低于認(rèn)知正常組，可能是MCI 的目絡(luò)特征。這與之前學(xué)者對AD 患者的目絡(luò)特征研究的結(jié)果相似，尤其是白睛目絡(luò)形態(tài)特征的“斑”與顏色特征的“黯褐色”“粉色”［9］。我們也發(fā)現(xiàn)，MCI 患者出現(xiàn)頻率較高的實性證素為痰、濕、血瘀和氣滯，虛性證素為陰虛、血虛、氣虛和陽虛，表明MCI 患病有多種證素兼雜。

進(jìn)一步，我們將白睛目絡(luò)特征信息與MCI 常見中醫(yī)證素特征相互聯(lián)合，應(yīng)用4 種算法對MCI 進(jìn)行辨識模型構(gòu)建。比較不同機器學(xué)習(xí)算法構(gòu)建的辨識模型，SVM 默認(rèn)函數(shù)為徑向基函數(shù)，是將數(shù)據(jù)映射到高維特征空間進(jìn)行分類的方式，其模型特異度為0.765，其辨識準(zhǔn)確率達(dá)到73.08%，AUC 為0.807，在4 種MCI 辨識模型中均為表現(xiàn)最佳。DT C5.0 的MCI 辨識模型評價驗證結(jié)果也較好，僅次于SVM 模型，位居第2。對于識別MCI，目絡(luò)特征中貢獻(xiàn)度最大的是黯黃色霧漫，其次是血脈迂曲和黯粉色斑，證候要素中貢獻(xiàn)最大的是病性要素痰，其次是血瘀和陰虛。我們也運用了ANN 和RT 算法進(jìn)行分析，兩者的準(zhǔn)確率只有56.41%和57.69%，特異性＞0.6，但敏感性不到0.5，提示這兩類模型在本研究中漏診率偏高，整體性能較差。

5G 時代人工智能和深度學(xué)習(xí)技術(shù)的發(fā)展，為現(xiàn)代目診數(shù)字化、智能化診斷的提供了技術(shù)支持。朱會明等［29］研發(fā)了一個中醫(yī)肝病目診診斷的可穿戴智能設(shè)備和系統(tǒng)，實現(xiàn)了目象信息采集、處理及診斷的客觀化；XIAO 等［30］基于深度學(xué)習(xí)技術(shù)提取目像特征，構(gòu)建了篩查肝膽疾病的眼底模型和裂隙等模型；程修平［31］運用隨機森林算法，將白睛絡(luò)脈資料、證候資料納入變量，構(gòu)建了中風(fēng)病恢復(fù)期氣虛血瘀證的智能診斷模型。而本研究中，基于MCI 患者目絡(luò)特征和中醫(yī)證素特點，構(gòu)建了4 種不同算法的模型。其中，對于MCI 的判別，支持向量機算法所構(gòu)建的模型，其準(zhǔn)確率、敏感度和特異度均高于其他三類，為最優(yōu)辨識模型。其預(yù)測的重要證素變量集中在氣滯、痰、脾，目絡(luò)變量主要是黯黃色霧漫、黯褐色斑，也均體現(xiàn)了MCI 的中醫(yī)病性特點，可為臨床MCI辨識提供更客觀的方案。

隨著人工智能現(xiàn)代醫(yī)學(xué)的發(fā)展，目診儀器通過數(shù)字化方法收集與處理白睛信息，更好地實現(xiàn)目絡(luò)信息的客觀化、定量化。我們進(jìn)一步運用數(shù)字化采集的目絡(luò)信息結(jié)合機器學(xué)習(xí)算法構(gòu)建了MCI 辨識模型，為MCI 早期辨識提供了客觀依據(jù)。但本研究尚存在不足，① 由于受地域、時間、人員等條件的限制，病例樣本規(guī)模小，未能全面探究MCI 與目絡(luò)的聯(lián)系，今后可以擴大臨床樣本量，開展多中心性的調(diào)查研究；② 本研究中MCI辨識模型是基于橫斷面研究設(shè)計的數(shù)據(jù)，暫未進(jìn)行外部驗證，今后該模型可進(jìn)行多中心的前瞻性研究加以驗證優(yōu)化；③ 研究對象聚焦于MCI 和認(rèn)知正常老年人，未來可以將研究人群擴展到癡呆人群，對不同類型的癡呆人群的目絡(luò)特征進(jìn)行比較，以期對認(rèn)知功能的不同階段的辨識提供客觀依據(jù)。