可解釋機器學習利用運動校正QSM MRI和多頻帶多回波fMRI特徵預測帕金森病嚴重程度

一項新的研究利用可解釋的機器學習方法，從定量磁敏感圖（QSM）和多頻帶多回波靜息態功能磁共振成像（fMRI）中提取的特徵，成功預測了帕金森病（PD）的運動嚴重程度。該研究發表在arXiv預印本平臺上，由Aixa X. Andrade等人完成，旨在開發客觀的神經影像學生物標誌物，以改善帕金森病的運動評估。

研究共納入28名參與者，包括24名帕金森病患者和4名健康對照。研究人員提取了區域QSM和區域性一致性（ReHo）特徵，並設計了13個不同的特徵集實驗，涵蓋僅成像、僅臨床、成像加臨床、全特徵、簡化特徵以及多模態輸入等多種組合。使用的機器學習模型包括支援向量迴歸（SVR）、彈性網路（Elastic Net）、隨機森林（Random Forest）和XGBoost，透過巢狀交叉驗證進行訓練和評估。模型效能透過池化留出樣本的決定係數（R²）、均方根誤差（RMSE）、平均絕對誤差（MAE）、皮爾遜相關係數、置換檢驗以及預測誤差在±5分以內的參與者比例來衡量。

結果顯示，僅基於成像特徵的模型攜帶了有意義的預測訊號，而僅基於臨床特徵的模型表現較弱。全腦fMRI特徵、全腦QSM特徵與臨床變數的組合提供了最強的全域性擬合，解釋了45.4%的運動嚴重程度方差。特別值得注意的是，選定的QSM特徵與臨床變數的組合產生了最接近臨床實際的結果，75%的參與者預測誤差在±5分以內，且在表現最好的模型中MAE最低。透過SHAP（SHapley Additive exPlanations）進行可解釋性分析，突出了小腦、丘腦、紋狀體、島葉和運動皮層等關鍵腦區。

研究得出結論，QSM和多頻帶多回波fMRI衍生的ReHo特徵能夠捕獲帕金森病運動嚴重程度的不同且可解釋的維度。這些發現表明，結構性和功能性成像根據臨床預測目標的不同而貢獻各異。該研究為帕金森病的客觀神經影像學生物標誌物開發提供了新思路，未來有望應用於臨床輔助診斷和治療評估。