可解释的自动评估用于痴呆筛查的连线测试

文献标题

Explainable Automatic Evaluation of the Trail Making Test for Dementia Screening

文献信息

• 主题领域: 基于数字笔技术对痴呆筛查认知测试的自动化和可解释性评估
• 关键词: Trail Making Test, 认知评估, 自动评分, 可解释性, 多模态, 数字笔

研究背景与问题

• 问题与挑战:

  • Trail Making Test (TMT) 是一种经典的纸笔认知测试，广泛用于评估认知功能，但传统评分方式依赖人工完成，效率低且容易受到主观影响。
  • 难以全面记录和分析患者在测试中的具体表现细节，比如手写特征（速度、压力、暂停等），这些信息可能包含对患者认知状态的额外洞见。
  • 当前的数字化尝试多基于完全计算机化版本，与传统TMT版本（纸笔形式）的临床有效性和一致性存在差异，且缺乏系统透明度。

• 研究重要性:

  • 痴呆疾病（如阿尔茨海默症）早期筛查至关重要，TMT提供了一种简便的评估方式。
  • 自动化评分系统可以提高效率，减少医疗工作者的负担，同时通过数字化记录为后续分析提供支持。
  • 提高系统的可解释性有助于增强对结果的信任和临床适用性。

• 研究动机与相关工作:

  • 现有研究表明，数字笔可以捕获丰富的特征数据，用于分析手写运动特征。
  • 一些研究尝试将TMT电子化，但完全电脑化的方式可能需要额外的临床验证，难以被广泛接受。
  • 研究者提出结合传统纸笔形式和现代数字化手段，通过数字笔记录手写数据并进行自动化分析，从而保留测试形式的一致性并实现分析的全面性和透明性。

解决方案

• 提出的方法与框架:

  • 本文提出一种基于数字笔的自动认知评估工具，适用于TMT（包括TMT-A和TMT-B）。
  • 系统直接在传统纸质的TMT表单上进行测试，通过内置红外相机捕获数字笔的实时手写数据，包括时间戳、轨迹、压力等信息。
  • 借助自动化算法生成测试评分和结构化报告，同时为每个评分决策提供可解释性说明。

• 创新之处:

  • 无需改变TMT的测试形式，仅依赖纸笔测试，通过数字化采集实现原始数据记录与分析，保留了测试的临床有效性。
  • 提供实时评分和详细的错误类型说明，增强了临床应用中的透明性和可靠性。
  • 可以测量并分析手写特征（如暂停时长、笔压和笔速），这些细节无法通过人工轻松捕捉。

• 实施步骤与关键技术:

  1. 架构设计: 系统包括数字笔、Android设备（平板或手机）、后台数据处理服务和医院信息系统（HIS）的集成。
  2. 数据采集: 数字笔捕获时间戳的数据，分析笔迹轨迹并标定每个笔画的连接情况。
  3. 透明评分: 自动生成报告，包括未连接的节点、错误连接等详细说明，同时附上原始笔迹渲染、路径顺序说明和视频回放。
  4. 临床集成: 系统与医院HIS无缝结合，测试数据可以导出为结构化格式，便于医生存档与继续分析。

研究成果

• 具体成果:

  • 系统准确测量了TMT的主要评分指标（完成时间）以及多项辅助特征，如笔暂停次数、错误连接路径等。
  • 自动生成的评分结果与手工评分高度一致，两者间具有极高的相关性和一致性。
  • 自动分析揭示了手写特征（如暂停时长、笔速）与TMT完成时间之间的显著相关性，有助于更全面地评估患者的认知状态。

• 优势:

  • 与完全计算机化版本不同，本系统无需改变TMT测试的传统形式，使用无障碍数字化手段保留了临床实用性。
  • 自动评分减少了医生的工作量，并提供实时透明的解释性报告，便于医生理解机器决策。
  • 系统具备高度的模块化设计，支持不同类型的数字笔和设备，适应性强。

• 实验与评估:

  • 在40名老年人中开展实验（平均年龄74.4岁），比较了自动评分与人工评分的结果。
  • 统计分析显示，自动评分与手工评分结果在完成时间、笔提次数、错误连接数量等方面高度一致。
  • 自动评分提供了额外的认知特征（如笔速、暂停时间）的分析，这些特征能够补充标准TMT评分指标。

• 局限性与未来方向:

  • 在某些边界情况下，算法可能过于严格（如判断某些节点连接为错误），需要进一步优化。
  • 系统对中断数据的处理需要改进，虽然测试完成时间未受影响，但完整记录仍是未来工作的目标。
  • 未来计划整合更多感知数据（如视线追踪、面部表情分析、语音处理等）以实现多模态认知评估。

总结

本文提出的基于数字笔的自动化TMT评分系统在不改变测试形式的前提下，实现了实时评分、透明解释和数据记录的优势，极大地提高了认知测试的效率与可靠性，同时为未来多模态认知评估提供了潜在扩展方向。