用全脑MRI放射学和机器学习来个性化帕金森病的深度脑刺激疗法

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• 深度大脑刺激 (DBS) 是晚期帕金森病 (PD) 的关键治疗方法.
• 大脑中的白质变化可以表明PD进展,并预测DBS的结果.
• 预测生物标志物是必要的,以优化患者选择DBS治疗.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测PD患者的DBS治疗结果.
• 为了利用全脑白质放射学和临床变量来选择患者.
• 评估各种ML算法的预测性能.

主要方法:

• 分析了120名PD患者接受下核DBS治疗.
• 一年后的随访评估了使用统一帕金森病评分尺度-第三部分 (UPDRS-III) 的运动反应.
• 整个大脑白质放射学和临床数据与后勤回归和随机森林模型一起使用.

主要成果:

• 随机森林模型表现出卓越的性能,AUC为0.99,准确度为0.95,灵敏度为0.93和特异性为0.97.
• 后勤回归模型的AUC值为0.93,准确度为0.88,灵敏度为0.84,特异性为0.91.
• 放射学和临床数据整合改善了DBS反应的预测准确性.

结论:

• ML模型可以作为个性化PD治疗的临床决策支持工具.
• 在模型性能和可解释性之间存在一个权衡.
• 需要进一步进行大规模的临床试验,以建立临床医生和患者对用于DBS选择的AI的信任.