可解释机器学习利用运动校正QSM MRI和多频带多回波fMRI特征预测帕金森病严重程度

一项新的研究利用可解释的机器学习方法，从定量磁敏感图（QSM）和多频带多回波静息态功能磁共振成像（fMRI）中提取的特征，成功预测了帕金森病（PD）的运动严重程度。该研究发表在arXiv预印本平台上，由Aixa X. Andrade等人完成，旨在开发客观的神经影像学生物标志物，以改善帕金森病的运动评估。

研究共纳入28名参与者，包括24名帕金森病患者和4名健康对照。研究人员提取了区域QSM和局部一致性（ReHo）特征，并设计了13个不同的特征集实验，涵盖仅成像、仅临床、成像加临床、全特征、简化特征以及多模态输入等多种组合。使用的机器学习模型包括支持向量回归（SVR）、弹性网络（Elastic Net）、随机森林（Random Forest）和XGBoost，通过嵌套交叉验证进行训练和评估。模型性能通过池化留出样本的决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）、皮尔逊相关系数、置换检验以及预测误差在±5分以内的参与者比例来衡量。

结果显示，仅基于成像特征的模型携带了有意义的预测信号，而仅基于临床特征的模型表现较弱。全脑fMRI特征、全脑QSM特征与临床变量的组合提供了最强的全局拟合，解释了45.4%的运动严重程度方差。特别值得注意的是，选定的QSM特征与临床变量的组合产生了最接近临床实际的结果，75%的参与者预测误差在±5分以内，且在表现最好的模型中MAE最低。通过SHAP（SHapley Additive exPlanations）进行可解释性分析，突出了小脑、丘脑、纹状体、岛叶和运动皮层等关键脑区。

研究得出结论，QSM和多频带多回波fMRI衍生的ReHo特征能够捕获帕金森病运动严重程度的不同且可解释的维度。这些发现表明，结构性和功能性成像根据临床预测目标的不同而贡献各异。该研究为帕金森病的客观神经影像学生物标志物开发提供了新思路，未来有望应用于临床辅助诊断和治疗评估。