《Applied Sciences》:Application of Eye Movement Analysis in Medicine: A Review Across Neurodevelopmental, Neurological, and Neurodegenerative Disorders
Amnaduny Akhara Nurhasan and
Pawe? Kasprowski
眼动追踪(eye tracking)已成为一种有价值的非侵入性工具,用于识别多种脑相关疾病中的认知和运动异常。近期研究探索了其在神经发育(neurodevelopmental)、神经(neurological)和神经退行性(neurodegenerative)疾病中的效用。本综述综合了应用眼动分析(包括注视模式、眼跳、扫描路径和瞳孔动态)并结合机器学习(machine learning, ML)和深度学习(deep learning, DL)方法进行疾病检测和分类的研究结果。特别关注了眼动追踪任务的设计、特征提取策略和算法框架。在临床类别中,支持向量机(Support Vector Machine, SVM)、随机森林(random forest, RF)和卷积神经网络(Convolutional Neural Network, CNN)等模型已显示出有希望的诊断潜力,多项研究报告分类准确率超过80%,尽管性能因任务设计、数据集特征和验证方法而异。这些发现支持基于眼动的生物标志物在早期检测和临床监测中的潜力。尽管结果令人鼓舞,但目前的研究面临重要限制,包括样本量小、缺乏标准化以及跨人群的泛化性有限。为推进临床转化,未来工作应强调数据增强、多模态整合、外部验证以及可解释人工智能(explainable AI, XAI)的使用。总体而言,眼动分析为改善脑相关疾病的诊断精度提供了一条可扩展且客观的途径。
**1. Introduction**
眼动分析作为非侵入性客观工具,用于评估认知和神经功能,在神经退行性疾病(如帕金森病(PD)和阿尔茨海默病(AD))中,眼动异常(如眼跳障碍、平滑追踪缺陷)可作为早期生物标志物。在神经发育障碍(如自闭症谱系障碍(ASD)和注意缺陷多动障碍(ADHD))中,注视模式和眼跳分析用于诊断。在神经疾病(如轻度创伤性脑损伤(mTBI)和中风)中,眼动特征用于分类。机器学习(ML)和深度学习(DL)方法(如支持向量机(SVM)、卷积神经网络(CNN)和循环神经网络(RNN))显著提高了分类准确性,但存在数据收集变异、缺乏标准化协议等问题。本综述通过系统分析现有方法,探索眼动追踪在神经、神经发育和神经退行性疾病中的应用,并聚焦于ML和DL方法。
**2. Application in Different Disorders**
**2.1. Neurodegenerative Disorders**
神经退行性疾病(包括PD、AD、轻度认知障碍(MCI)、肌萎缩侧索硬化症(ALS)和快速眼动睡眠行为障碍(RBD))以神经系统的进行性损伤为特征。眼动异常作为非侵入性生物标志物,通过ML分析眼动指标(如眼跳、注视稳定性、平滑追踪)支持早期检测和疾病监测。
**2.1.1. Parkinson’s Disease**
眼动追踪和自动化分析显著推进了PD诊断。基于平板的眼动参数(如眼跳、注视稳定性、平滑追踪)通过SVM分类PD严重程度,依据统一帕金森病评定量表第三部分(UPDRS-III)评分,准确率达90%。眼动特征(如眼跳潜伏期、注视稳定性、错误率)与临床认知评估评分显著相关,反映运动与认知损伤。
**2.1.2. Alzheimer’s Disease**
一项3分钟眼动测试评估注视模式和注视持续时间,基于兴趣区域(ROI)的注视百分比特征训练SVM(6折交叉验证),分类AD vs 正常对照(NC)的曲线下面积(AUC)为0.90±0.08,MCI vs NC为0.75±0.11,AD vs MCI为0.78±0.13,(MCI+AD)vs NC为0.83±0.10。总得分与简易精神状态检查(MMSE)评分显著相关(r=0.57,p<0.05),记忆回忆和演绎推理任务最具区分力。
**2.1.3. Amyotrophic Lateral Sclerosis**
结合ML与生物医学信号(如肌电图(EMG)、步态节律(GR)、脑电图(EEG)、磁共振成像(MRI))及眼动追踪,系统综述显示K近邻(KNN)模型基于EMG特征达到98.8%准确率。通信系统结合眼动与脑机接口(BCI),KNN和线性判别分析(LDA)达到95.25%准确率。基于CNN的深度学习模型解码眼电图(EOG)信号实现无语音通信,平均准确率90.58%。眼动辅助技术结合SVM与EOG信号,分类注视、眼跳和眨眼类别准确率76.1%。
**2.1.4. Mild Cognitive Impairment**
眼动追踪对MCI的细微认知变化敏感。52名MCI患者中,SVM基于ROI注视百分比特征(来自10项认知任务)区分MCI与正常对照,AUC为0.75±0.11。眼动总得分在MCI组(41.4±17.9)显著低于对照组(61.1±19.0,p<0.01),并与MMSE评分相关(r=0.57,p<0.05)。记忆回忆和演绎推理任务最有效,而静态图像任务区分力较低。
**2.1.5. Rapid Eye Movement Sleep Behavior Disorders**
ML算法诊断RBD作为帕金森病前驱标志。SVM和KNN基于REM睡眠EMG特征检测REM睡眠无张力(RSWA),KNN在5折交叉验证中准确率86.96%,灵敏度93.33%,特异度75%;在独立测试集上准确率81.82%,灵敏度85.71。语音分析中二次判别分类器基于语音特征区分运动阳性与阴性RBD,准确率70.0%,灵敏度73.9%,特异度66.7%。
**2.2. Neurodevelopmental Disorders**
神经发育障碍(包括ADHD、ASD、精神分裂症(Sz)、胎儿酒精谱系障碍(FASD)、阅读障碍、脑瘫(CP))在早期大脑发育中发生。眼动分析用于客观诊断和干预监测。
**2.2.1. Attention-Deficit/Hyperactivity Disorder**
整合眼动指标与连续性能测试(CPT)可增强ADHD诊断。逻辑回归(LR)中,眼动特征单独(AUC=0.856,灵敏度0.733,特异度0.861)优于CPT单独(AUC=0.769,灵敏度0.533,特异度0.931),联合后AUC=0.889,灵敏度0.833,特异度0.862。另一研究提取224个眼动特征(包括眼动基础、显著性和群体特征),使用支持向量机递归特征消除(SVM-RFE)分类ADHD、FASD和对照,总体准确率77.3%,ADHD vs 对照83.3%,FASD vs 对照79.2%,ADHD vs FASD90.4%。显著性特征在区分ADHD与对照中最有效,纹理处理为强区分特征。
**2.2.2. Autism Spectrum Disorder**
ML和DL技术结合眼动数据识别ASD生物标志物。注视时间、频率、眼跳幅度、扫描路径和面部兴趣区域(AOI)注视用于分类。EEG与眼动结合的多模态研究(SVM)准确率85.44%,AUC=0.93。扫描路径可视化方法(CNN)AUC>0.9。基于面部扫描模式的SVM准确率88.51%。面部情绪识别测试(FEIT)中CNN和RF对儿童分类准确率66.7%,成人信息检索任务中SVM、LR、RF等分类准确率约74%。综述显示SVM、KNN、RF、CNN等准确率范围66.7%–100%,但受限于样本量小、任务标准化不足。
**2.2.3. Schizophrenia**
眼动特征(如平均眼跳速度、注视偏度、眼外注视计数、瞳孔大小动态)和深度学习显著性模型度量特征用于Sz识别。SVM和RF在自由观看任务中达到高区分性能,Sz患者平均眼跳幅度(5.45° vs 6.55°)和速度(79.44 vs 123.89)显著低于对照。FEIT中CNN热图分类准确率64.5%,Sz患者注视眼睛次数显著减少,扫描路径更长。
**2.2.4. Fetal Alcohol Spectrum Disorder**
高吞吐量眼动方法检测FASD注意力缺陷。224个特征(眼动基础、显著性、群体)经MSVM-RFE分类,FASD vs 对照准确率79.2%,FASD vs ADHD准确率90.4%。显著性特征在FASD中准确率77.6%,群体特征准确率69.8%,表明FASD患者自下而上和自上而下注意力均受损。
**2.2.5. Dyslexia**
眼动特征(注视持续时间、眼跳幅度、回归次数、阅读时间)用于区分阅读障碍者。SVM基于西班牙语样本准确率80.18%。非阅读任务(眼跳和聚散测试)中,Alouette阅读测试准确率81.25%,眼跳任务相同,聚散任务77.3%。基于注视自相似性图(GSSP)的CNN准确率89%,AUC=0.93。深度CNN在真实临床数据中,聚散数据精确率80.20%,灵敏度75.1%,眼跳数据精确率77.2%,灵敏度77.5%。
**2.2.6. Cerebral Palsy**
基于眼图像提取39个眼动特征(如虹膜中心坐标、眼角位置、角度偏差、距离),使用SVM、RF和神经网络(NN)分类和评估CP儿童视觉改善。NN最佳,准确率94.17%,灵敏度91.65%,特异度98.00%,SVM 86.67%,RF 73.33%。
**2.3. Neurological Disorders**
神经疾病(如眩晕、闭锁综合征(LIS)、mTBI、中风、强迫症(OCD))影响眼动控制系统。
**2.3.1. Vertigo**
眼动分析结合LSTM和RF区分眩晕患者与脑损伤和健康对照。LSTM提取进化特征,RF集成分类准确率96.88%(四例)和93.75%(两例)。
**2.3.2. Locked-In Syndrome**
基于面部网格(Face Mesh)提取54个欧氏距离特征,ANN识别四种眼动手势(向上、向下、闭眼、无手势),准确率99.8%,实现无校准通信。眼动界面整合适应蒙特利尔认知评估(MoCA)测试,用于认知评估,在56名患者中结果与诊断类别一致。
**2.3.3. Mild Traumatic Brain Injury**
三项眼跳任务(视觉引导、反眼跳、Go/No-Go)提取3450个特征,RF分类mTBI vs 创伤后综合征(PTS) vs 对照,准确率87.8%,mTBI+PTS vs 健康对照准确率91.1%。计算机化眼动评估(CEA)六项任务(如注视稳定性、平滑追踪)中,xgbDART模型平衡准确率0.83(对照)、0.66(mTBI)、0.76(持续脑震荡后综合征(PPCS)),总体AUC=0.82。
**2.3.4. Stroke**
基于中医五色视觉刺激(红、绿、黄、白、黑),提取平均注视持续时间、眼跳速度和幅度,RF在红色刺激下准确率88.45%,灵敏度84.65%,精确率86.48%,F1分数85.47%。CatBoost和XGBoost准确率均高于85%。
**2.3.5. Obsessive–Compulsive Disorder**
基于Rey–Osterrieth复杂图形测试(RCFT)的眼动特征,LSTM带注意力机制分类执行功能和视空间记忆缺陷,F1分数分别为83.5%和80.7%,AUC分别为60.7%和69.9%。OCD患者执行功能受损时注视和眼跳次数显著减少(p=0.002)。
**3. Comparative Analysis**
**3.1. Feature Usage Across Disorders**
眼动特征类型因疾病而异:注视特征广泛用于ASD、阅读障碍、AD、MCI、OCD;眼跳参数用于PD、mTBI、中风、ALS;扫描路径特征用于ASD、Sz、阅读障碍、RBD;瞳孔大小和注视变异性用于Sz、CP;任务特定和显著性特征用于FASD、ADHD、ALS、OCD、RBD;混合模态结合EEG、语音等。
**3.2. Task Design and Protocols**
常见任务类型:自由观看任务(Sz、ASD、FASD)、面部情绪识别任务(ASD、Sz)、阅读任务(阅读障碍)、视觉引导眼动任务(PD、mTBI、眩晕)、认知测试适应(AD/MCI、OCD、LIS)、辅助通信接口(LIS、ALS)。
**3.3. Machine Learning and Deep Learning**
ML方法(SVM、RF、KNN)最常用,SVM在ASD(88.51%)、阅读障碍(80.18%)、FASD(79.2%)中表现良好。DL方法(CNN、LSTM、ANN)用于扫描路径可视化和时序序列,CNN在阅读障碍中AUC=0.93,LSTM在眩晕中96.88%准确率,ANN在LIS中99.8%手势准确率。特征选择方法包括最小冗余最大相关性(MRMR)和递归特征消除(RFE),优化技术如差分进化(DE)调优SVM达到100%准确率。模型评估多采用交叉验证,但缺乏外部验证。
**3.4. Diagnostic Performance and Structured Summary**
代表性研究总结显示,多数使用主体独立验证,但无外部验证。九项研究报告准确率>80%,但样本量较小(通常36–124人),且试验级验证可能高估性能。缺乏外部验证和共享数据集限制泛化性。
**4. Discussion**
主要限制包括缺乏标准化协议(屏幕尺寸、刺激呈现时间、校准程序、注视阈值差异),导致特征提取不一致和可重复性差。小样本量(如FASD、CP)增加过拟合风险,类不平衡影响模型性能。人口多样性不足(年龄、性别、文化背景忽略),而眼动特征随年龄和性别变化,可能混淆疾病效应。设备变异(采样率、空间精度)影响特征可靠性,低采样率(50–100 Hz)适合注视特征,高采样率(≥500 Hz)需精确眼跳动态。多数研究仅内部交叉验证,缺乏外部验证,模型泛化性受限。建议采用主体独立验证和嵌套交叉验证,避免信息泄漏。推荐报告标准包括参与者特征、硬件规格、预处理流程和验证设计,并采用验证阶梯从内部到外部多站点验证。
**5. Conclusions and Future Works**
眼动追踪结合ML和DL在神经、神经发育和神经退行性疾病的诊断、分类和监测中显示出实用性。注视、眼跳、扫描路径、瞳孔动态和显著性对齐等特征用于表征疾病特定眼动行为。SVM和RF因小样本有效性常用,CNN和ANN在空间和时间模式识别中崛起。多模态方法(眼动+EEG、语音、MRI)增强诊断准确性。未来研究应优先标准化协议、扩展基准数据集、整合多模态数据、应用数据增强技术(如添加噪声、生成合成扫描路径)、强调可解释人工智能(XAI)以增强临床可信度。尽管已有大量工作,但建立标准医疗程序仍需进一步努力。