運動補正QSM MRIとマルチバンドマルチエコーfMRI特徴を用いた解釈可能な機械学習によるパーキンソン病重症度予測

新しい研究では、解釈可能な機械学習を用いて、運動補正QSM（定量的磁化率マップ）MRIとマルチバンドマルチエコー安静時fMRIから得られた特徴からパーキンソン病（PD）の運動重症度を予測することに成功しました。この研究はarXivプレプリントプラットフォームに掲載され、Aixa X. Andradeらによって実施されました。目的は、客観的な神経画像バイオマーカーを開発し、パーキンソン病の運動評価を改善することです。

研究には28名の参加者（PD患者24名、健常対照4名）が参加しました。研究者らは、領域別QSMおよび局所一致性（ReHo）特徴を抽出し、画像のみ、臨床のみ、画像＋臨床、全特徴、縮小特徴、マルチモーダル入力など、13の異なる特徴セット実験を設計しました。使用した機械学習モデルは、サポートベクター回帰（SVR）、Elastic Net、ランダムフォレスト、XGBoostで、ネステッド交差検証によりトレーニングおよび評価が行われました。モデル性能は、プールされたホールドアウト標本のR²、RMSE、MAE、ピアソン相関、順位検定、および±5点以内の予測割合で評価されました。

結果として、画像のみのモデルは有意な予測シグナルを持ちましたが、臨床のみのモデルは弱い性能でした。全fMRI特徴、全QSM特徴、臨床変数の組み合わせが最も強い全体的適合を示し、運動重症度の分散の45.4%を説明しました。特に、選択されたQSM特徴と臨床変数の組み合わせは、最も臨床的に近い予測を提供し、参加者の75%が±5点以内に予測され、トップモデルの中で最低のMAEを示しました。SHAP（Shapley Additive exPlanations）による解釈可能性分析では、小脳、視床、線条体、島皮質、運動皮質などの特徴が強調されました。

研究は、QSMとマルチバンドマルチエコーfMRI由来のReHoが、パーキンソン病の運動重症度の異なる解釈可能な側面を捉えることを結論付けています。これらの発見は、構造的および機能的イメージングが臨床予測目標に応じて異なる貢献をすることを示しています。この研究は、パーキンソン病の客観的神経画像バイオマーカー開発に新たな道を開き、将来の臨床診断や治療評価への応用が期待されます。