基于XGBoost算法的面部特征对轻度认知障碍风险的预测作用

来源：护理学杂志2025年第7期北京时间：

作者：戚馨如，宋玉磊，吕玉婵，殷海燕，张薛晴，张洁昕，徐桂华，柏亚妹

单位：南京中医药大学护理学院（江苏 南京，210023）,,南京中医药大学护理学院（江苏 南京，210023）,,南京中医药大学护理学院（江苏 南京，210023）,,南京中医药大学护理学院（江苏 南京，210023）,,南京中医药大学护理学院（江苏 南京，210023）,,东南大学仪器与工程学院,,南京中医药大学护理学院（江苏 南京，210023）,,南京中医药大学护理学院（江苏 南京，210023）,

摘要：目的 初步构建预测轻度认知障碍（MCI）风险的机器学习模型，为医护人员早期快速筛查轻度认知障碍提供参考。方法 2024年7-9月，采用便利采样法选取南京市2个街道老年人294人，通过OpenFace 3.0提取受试者观看快乐、中性、悲伤视频的面部特征，将其显著性面部特征分别归类为快乐、中性、悲伤、快乐+中性、快乐+悲伤、中性+悲伤、快乐+中性+悲伤7种面部特征组合。以特征组合作为输入变量，是否患有MCI作为结局变量，按照7∶3的比例分为训练集和测试集构建XGBoost的机器学习模型。运用准确率、精确率、召回率、F1得分和曲线下面积（AUC-ROC）值评价判别效能，并对预测效果较优的面部特征组合模型进行SHAP分析。结果 两组面部特征比较，MCI组在观看快乐视频产生的面部特征AU04_AUI、AU06_AUI、AU10_AUP和AU12_AUP与非MCI组有显著差异；MCI组在观看中性、悲伤视频分别产生的9种、8种面部特征与非MCI组有显著差异（均P＜0.05）。各面部特征组合构建的XGBoost模型受试者工作特征曲线下面积（AUC）均大于0.6，其中悲伤最高（0.71）。悲伤视频的面部特征构建的XGBoost模型SHAP结果显示排名前3的预测因子是AU04_AUI、AU20_AUP、AU07_AUI。结论 初步构建基于面部特征的XGBoost机器学习模型，旨在辅助早期阶段识别MCI的风险，实现MCI风险的早期预警与干预。

关键词：老年人;轻度认知障碍;面部特征;面部动作单元;机器学习模型;XGBoost算法;老年护理

基金资助：国家重点研发计划项目（2023YFC3603600）；国家自然科学基金面上项目（72174095）；江苏省社会发展面上项目（BE2022802）；2024年江苏省研究生实践创新计划项目（SJCX24_0847）