痴呆症系列5. 痴呆数字生物标志物
Looxid Labs拥有利用脑波和视线追踪，能够测定并持续监测用户认知功能状态。同时，Looxid Labs正在研究日常生活中认知护理以及预防痴呆症的服务。通过本系列文章，我们将了解痴呆症的概念以及使用数码设备进行早期诊断痴呆症的方法。并介绍Looxid Labs基于生物技术的认知护理解决方案 — — 即LUCY。
Written by 全炯信 (Shannon H. Jeon)
hyungsin.jeon@looxidlabs.com
在上一篇文章中，首先介绍了通用生物标志物，并说明疾病管理的重要性、痴呆症相关的各种生物标志物及其作用机制。 虽然这里介绍的生物标志物与痴呆症的发生和发展密切相关，但它们的局限性在于它们只能通过去医院接受昂贵的检查来识别。 除非检测到疑似痴呆症的症状，否则通常不会进行这些测试，因此仅依靠先前引入的生物标志物很难在早期检测到痴呆症。 为了克服这些局限性，开发新型生物标志物以降低筛查成本并使诊断更方便的研究正在稳步推进。
“数字生物标志物”是一种指标，可以通过数字技术或工具进行测量，以识别特定疾病的病理状态。 现有的生物标志物存在可访问性问题，因为它们只能通过访问医院并进行复杂的检查来识别。 对于从发病开始就需要持续管理的疾病，通过持续检测来检测疾病是很重要的，而现有的诊断方法很难在初期诊断出痴呆症。 随着最近信息技术（IT）的发展，许多研究开始关注从日常生活中可以轻松访问的数码设备中收集的数据。 正在研究是否可以通过这些数据诊断特定疾病，以及基于该设备的诊断系统对疾病的早期诊断有多大帮助。
在这些研究中，不同于直接观察体内发生的生物学反应的常规方法，数字生物标志物之所以被称为数字生物标志物，是因为它们利用数字技术识别体外的生理或行为现象中具有临床意义的指标，所以在‘生物标志物’词汇前面增加前缀‘数字’。 研究数字生物标志物具有代表性的例子包括易于使用的可穿戴设备、无创传感器或提高现有生理信息临床价值的先进分析技术。
研究痴呆数字生物标志物的主要目标是使用这些技术和工具准确测量生理和行为信息，以发现与痴呆相关的信息，并用它来确定痴呆的发病风险或预后。 这些研究正在验证是否可以通过数码设备数据有效识别初期认知功能衰退状态。 下面我们将介绍一下最近痴呆症研究中值得关注的数字生物标志物。
1. 眼球运动异常
当脑细胞被破坏时，不仅记忆力和注意力等认知功能受到影响，涉及身体各种功能的神经系统也会受到影响。控制眼球运动的能力正是受脑细胞退化影响的身体机能之一。虽然我们的肉眼看似是固定的焦点，但其却在不断地进行细微而迅速地振动。当大脑功能下降时，这种运动模式就会发生变化。如果可以检测到这些眼球运动模式的变化，那么使用相机也可以进行相对简单且无创的痴呆症诊断。随着想要确认眼动模式与认知能力下降之间关联性的多项研究结果不断发表，眼动的各种指标正迅速成为与痴呆症相关的数字生物标志物。
眼球运动的代表性指标包括注视某一点时发生的细微运动（微跳视）、注视瞬间跳出的现象（方波跳动；SWJ）和观察一定速度移动的点时眼球的反应速度或方向误差等。在对阿尔茨海默病痴呆患者、轻度认知障碍患者和认知功能健康的同龄老年人进行的眼球运动研究中，认知能力下降越严重，水平眼球运动中出现的细微眼球运动越多，角度的误差也越明显。研究者们将这种差异解释为集中观察一个地方的能力 — 注视能力相关，即控制眼球移动的前额叶皮层(prefrontal cortex)和前额眼动区（frontal eye fields;FEF）的功能退化表现出与正常人不同的模式。
眼球运动研究中使用的另一种检查类型是需要眼球向相反方向移动，而并非是根据目标的运行方向而移动。 据相关研究报道，检查中与预期的眼球运动相反，认知障碍群体单纯地在视觉刺激下犯下跟随目标方向移动眼球的错误要高于正常群体。 这些结果被解释为测试规则的工作记忆能力，以及为了观察目标移动方向呈相反方向，必要的认知抑制能力下降产生的差异。
2. 语言能力下降和语音模式异常
语言功能异常作为脑神经损伤引起的功能障碍之一，是怀疑患有痴呆时进行检查项目中的一项。即使其他认知功能没有显着下降，也有因负责语言的左脑皮层损伤引起发音扭曲、选词和语法错误，此后随着整体脑损伤的发展，进而引起各种认知功能衰退的痴呆类型。
现有的检查是与考官一对一进行的，使用标准化的测试工具来确定受试者的语言功能状态。该检查主要根据给定的短文评估受试者的阅读理解程度，以及阅读和写作能力。随着科技的发展，录音技术和分析细微语音模式技术发展的同时，利用人们一般不易察觉的词尾的长度、重读的程度、话语间的停顿、说话的节奏等语言模式，正在全新的开展与痴呆症相关的研究。
据报道，在 2018 年进行的一项研究中，共有 96 名受试者参与（正常组48名、仅存在记忆障碍的 MCI 组16名、具有多种认知障碍的 MCI 组16名和早期痴呆组16名），也是通过运用语音识别和分析技术来区分受试者群组。
测试以受试者对简单问题即兴回答的形式进行，例如“描述这张图片”、“你今天过得怎么样？”和“告诉我你最后的梦想”等，并通过在测试过程中录下的受试者对话分析了四个要素（构成语流的词汇流畅性-词汇特征、说话时的节奏-韵律特征、音高和强度-声学特征、语言结构的复杂性-句法特征）。总的来说，每个要素的细节项目都发现了组间差异，特别是在节奏和复杂性的分析结果中，不仅痴呆组，只有记忆障碍的轻度MCI组都可以与正常组区分开。另一篇使用类似形态的语音记录和分析技术研究语言使用能力的论文报告称，它能够以高达 87% 的准确率区分受试者团体（正常组与MCI组为79%、正常组与痴呆组为 87%、MCI组与痴呆组为80%）。由此，我们确认了通过语音分析技术能够确认语言功能障碍相关的认知功能下降程度的可能性。
3. 游戏任务执行能力低
确认痴呆或认知功能状态，或提高功能性游戏的开发也在痴呆研究中饱受关注的领域。其中，2016年发布的《航海英雄》是由一家游戏公司和多位神经科学家在德国通信行业集团T-mobile的支持下开发的一款手机功能游戏。用户的任务是成为一名航海员，记住地图并航行到地图中所出现的目的地。研究人员通过这项任务评估用户的空间探索能力。这款游戏的优势在于刺激担当特定认知功能的大脑区域，同时开发有趣的游戏故事，以令人愉快的视觉形式让使用者专注于游戏。该游戏发布后，人气爆棚，在 200 多个国家/地区有350 万用户玩过该游戏，并收集了大量用户游戏模式的信息。神经科学家通过这些信息已经证实，根据年龄不同游戏玩法的准确性，以及完成游戏所需的时间可以确定认知能力下降的程度。这项结果表示，为评估认知能力开发的几种游戏也可以用作痴呆症早期诊断工具的可能性。
根据2019年发表在美国《美国国家科学院院报刊》上的一项研究报道称，在没有痴呆症状的痴呆危险因子(APOE4)持有者和非持有者之间的游戏玩法中，仅依靠最终航海距离就可以可以以71.3%的高准确率区分是否具有有无痴呆危险因素（APOE4）的人，准确率高达71.3%，只是游戏过程中最后的距离。报告说可以做到。因子。 这是一个有意义的结果，因为可以通过简单的游戏结果而不是复杂的测试提前预测痴呆症症状出现之前是否存在风险因素。这项研究结果的意义在于，仅通过简单的游戏结果而非是复杂的测试，即可在痴呆症状出现前能够提前预测是否存在危险因素。
再比如，有一些游戏是由有一些游戏，将现有的一些使用笔和纸的现有的神经认知测试制作而成成游戏，它们自动处理用户使用者的执行表现速度或错误回答误答率等信息，用于认知功能评估。 例如，N-back测试、Stroop测试和算术问题等现有的神经认知测试中使用的测试项目，如N-back测试、Stroop测试和算术问题，在更有趣的游戏中解决，使受试者能够集中注意力，减少疲劳。 因此，通过把将现有的经临床验证的检查测试项目使其游戏化，并不断的提出以来实现信息自动处理的认知测试检测方法也在不断提出。
继上一篇文章之后，本文介绍了一种略有不同的生物标志物，即数字生物标志物。现有传统生物标志物是相对直接识别体内发生的生物变化的指标，而数字生物标志物利用数字技术和工具，利用可在体外测量的信息，提供与特定疾病相关的信息。由于数字生物标志物可以通过日常生活中使用的技术和工具进行充分测量，因此它们有很大的潜力发展成为可以轻松检测痴呆症的技术。基于这些数字生物标志物的诊断方法相对简单且成本低廉，可以快速应用于大量人群，从而能够对现有筛查系统中未发现的痴呆症风险人群进行高级筛查。此外，如果能够满足在现有的神经认知测试中筛查出不太好区分的轻度认知障碍，或能够预测痴呆发作前的风险的期待，如果能够筛查现有神经认知测试无法很好区分的轻度认知障碍或在痴呆症发作之前预测风险的期望得到很好的满足，则有望实现有效的早期诊断和管理。
Looxid Labs正在开发的 LUCY服务，这是一项服务是，通过使用虚拟现实设备、脑电波和眼动信息监测测量认知功能状态，在怀疑认知下降时帮助提示管理。 您可以随时随地通过LUCY在玩有趣的VR游戏的同时确认检查您的认知功能，从而持续管理您的大脑健康。 此外同时，Looxid Labs出色的生物信号分析能力，分析通过分析在玩使用特定认知功能（例如记忆或注意力）的游戏时看到的体现的脑电波和眼球运动模式，借助Looxid Labs出色的生物信号分析能力，可以根据科学根据为基础可以感知证据检测痴呆症发病的可能性. 在下一篇文章中，我将为大家介绍解释Looxid Labs的脑电图和眼动信息分析技术如何作为痴呆症的早期诊断工具。
参考文献
[1] Levy, N. K., Lavidor, M., & Vakil, E. (2018). Prosaccade and antisaccade paradigms in persons with Alzheimer’s disease: a meta-analytic review. Neuropsychology review, 28(1), 16–31.
[2] Kapoula, Z., Yang, Q., Otero-Millan, J., Xiao, S., Macknik, S. L., Lang, A., … & Martinez-Conde, S. (2014). Distinctive features of microsaccades in Alzheimer’s disease and in mild cognitive impairment. Age, 36(2), 535–543.
[3] Beltrami, D., Gagliardi, G., Rossini Favretti, R., Ghidoni, E., Tamburini, F., & Calzà, L. (2018). Speech analysis by natural language processing techniques: a possible tool for very early detection of cognitive decline?. Frontiers in aging neuroscience, 10, 369.
[4] König, A., Satt, A., Sorin, A., Hoory, R., Toledo-Ronen, O., Derreumaux, A., … & David, R. (2015). Automatic speech analysis for the assessment of patients with predementia and Alzheimer’s disease. Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring, 1(1), 112–124.
[5] Coughlan, G., Coutrot, A., Khondoker, M., Minihane, A. M., Spiers, H., & Hornberger, M. (2019). Toward personalized cognitive diagnostics of at-genetic-risk Alzheimer’s disease. Proceedings of the National Academy of Sciences, 116(19), 9285–9292.
[6] Lumosity
