一个手机流程评分四类作答
MemoCare 是一个基于 React Native 的 Android 和 iOS 应用，可在没有检查者持续控制的情况下完成一次认知筛查。每个题目把一段语音指令与一种输入通道配对：语音作答用麦克风，空间定向用设备 GPS，指令动作触控屏，临摹几何图形用屏幕。完成后，应用显示各题得分和总分，并把评估状态保存在设备本地，无需用户账户。
这一设计的意义在于，MMSE 等成熟筛查工具会在一次评估中混合语音作答、定向、记忆、计算、指令动作、语言和视空间构建。论文的前提是，手机自动化因此必须按各自的题目语义解释每类作答再加以整合，而不只是显示一份问卷。英文版和越南文版共用同一交互流程，语言特定的脚本、归一化规则和空间词表则让流程适配各自场景。
语音评分从转录之后开始
语音作答先被裁剪，由 Google Speech-to-Text 转录，再归一化，然后交给确定性的题目专用规则评分。这些规则涵盖日期和数字解析、有状态的连续计算、多目标回忆匹配、有序短语匹配和句子完整性检查。题目专用规则允许犹豫和重复，评分模块把归一化转录与任务状态结合，使后续作答可以依赖前面的作答。
测试套件内置了一条关键边界：138 个语音和语言用例从 STT 转录文本开始，因此评估的是下游评分逻辑，而非 Google STT 的准确率。论文还指出，对部分题目，评分优先识别与任务相关的词，不会从可能不完整的转录中推断否定或更正。因此读者应把语音结果视为规则评分证据，而非端到端语音识别可靠性证据。
位置作答先解析再匹配
空间定向问题取决于手机所在位置，而地名在行政区划更名或边界变化后仍可能有效。MemoCare 空间模块保存越南、瑞士、中国和美国的 89,043 条行政边界记录，数据来自 OpenStreetMap 国家提取。它按空间索引行政几何，先检索设备附近的候选区域，再做点在多边形内测试，而不是扫描全部几何集合。
对解析出的位置，模块返回可接受的当前和历史地名，将其归一化，再用精确和近似名称匹配与 STT 转录比对。行政别名和更名区域就是这样被接受的。空间回归套件在四个支持国家通过 48/48 个固定坐标用例，空间作答用例通过 8/8。这些是预定义用例上的软件验证结果，并不衡量模块处理每个真实位置或每种用户表述的能力。
触控任务依据记录事件验证
对适配手机的指令动作任务，MemoCare 评分记录下来的触控屏事件，而非语音。一项交互用动作类型、目标和事件顺序验证多步点击拖拽序列；另一项检查触控是否落在显示图像的预定义目标区域内。所有触控处理都在本地运行，不使用摄像头或额外传感器。
触控模块在测试套件中通过 5/5 个交互评分用例。这是少量预定义用例，因此只能支持事件验证逻辑按规格工作的说法，不能说明它能推广到临床人群的全部运动行为范围。
绘图准确率取决于读哪个指标
在视空间构建任务中，屏幕显示一个几何参照，用户在触控屏上临摹。采集的位图被缩放到 224×224 像素，三个内部结构标准 C1–C3 分别代表组件形状有效性和两个空间关系条件。应用只暴露一个二值题目结果，仅当三个标准全部满足时才为阳性。
由于手绘训练集有限，作者构建了一个基于规则的生成器，产出 45,724 张带已知 C1/C2/C3 标签的合成几何临摹样本，覆盖有效和无效结构、关系错误、困难负样本，以及模糊、透视、阴影、纹理和缺失边缘等视觉变化。来自四个架构家族的八个轻量 CNN 模型先在合成数据上训练，再在手绘训练集上微调。开发数据集包含 329 张训练、66 张验证和 71 张锁定测试绘图。
两个绘图指标回答不同问题。平均平衡准确率对三个标准各自的平衡准确率取平均，而平衡准确率是敏感度和特异度的平均；三标准精确准确率要求同一张绘图的三个预测全部正确。在锁定的 71 张图像测试集上，验证阶段选出的 ShuffleNetV2 x1.5 达到 91.33% 平均平衡准确率，但三标准精确准确率为 78.87%。三个模型的描述性共识达到 95.17% 平均平衡准确率。两个单模型数字之间的差距是实际要点：逐标准表现可以看起来很强，但仍有约五分之一绘图无法让三个标准全部正确。
临床医生评的是流程而非患者
四位临床医生共同作者按八项五分制标准检查了端到端流程，合并中位评分为 4/5，各条目中位数在 3 到 4.5 之间。这是小范围共同作者的形成性检查，不是独立临床评估。论文明确把 MemoCare 定位为研究原型而非经验证的诊断系统，并指出正式的患者层面临床验证仍属未来工作。
技术测试套件通过 151/151 个预定义用例：138 个语音/语言、8 个空间作答和 5 个触控/动作。加上 48/48 个空间回归用例，这些结果表明已实现的评分组件在作者自己的测试用例上按规格运行。它们并未建立任何人群中检测认知障碍的敏感度或特异度。
模块化评分让流程可替换
各处理模块暴露统一的题目评分接口，因此可以更新单个组件而不改变手机流程。绘图推理服务位于稳定的 AWS 端点之后，使手机客户端独立于所选视觉骨干网络。一个独立的标准感知 U-Net 对组件形状和空间关系区域提供结构化视觉解释，这个解释模型不影响二值绘图得分。
这种分离是论文最具可迁移性的工程选择。它意味着语音、空间、触控和视觉实现可以各自替换或改进，而交互流程保持不变。它也澄清了所报告数字衡量的是什么：每个模块都在自己的题目专用用例上验证，绘图指标来自 71 张图像的锁定测试集，而非临床结局研究。
证据止步于临床准确率之前
论文最强的说法是，一个紧凑的手机流程可以采集四类作答并自动评分，软件测试通过 151/151 个预定义用例，选定的绘图模型在锁定的 71 张图像测试集上达到 91.33% 平均平衡准确率。对判断临床实用性的读者而言，最薄弱之处是未报告患者层面验证：临床医生输入是四位共同作者给出的 4/5 中位检查评分，语音测试从转录文本开始，绕过了 STT 准确率。
因此这篇论文设定的优先级是先做工程验证，再做临床验证。如果你在比较筛查工具，值得关注的数字不只是 91.33% 平均平衡准确率，还有 78.87% 三标准精确准确率，因为应用的二值绘图结果要求三个标准全部正确。MemoCare 展示了一个可运行的多模态评分架构；该架构能否在真实患者中检测认知障碍，在本研究中仍未检验。
本文引用的文献
MemoCare: An Interactive Multimodal Mobile System for Automated Cognitive Screening
一个 React Native 应用可自动评分语音、基于 GPS 的定向、触控动作和绘图，支持英文和越南文；软件测试通过 151/151 个预定义用例，选定的绘图模型在锁定的 71 张图像测试集上达到 91.33% 平均平衡准确率，但三标准精确准确率为 78.87%，未报告患者层面临床验证。