机器学习驱动的方法用于识别帕金森病患者的步态结,使用传统的结构性MRI和临床测量
Gaurav N Rathi1, Alan J Gardner1, Jason K Longhurst1
1From the Department of Radiology (G.N.R., A.J.G., V.R.M.), University of Alabama at Birmingham, Birmingham, Alabama, United States; Department of Physical Therapy and Athletic Training (J.K.L.), Saint Louis University, St. Louis, Missouri, United States; and Lou Ruvo Center for Brain Health (Z.M.), Cleveland Clinic Foundation, Las Vegas, Nevada, United States.
AJNR. American journal of neuroradiology
|January 21, 2026
概括
机器学习模型可以使用T1加权MRI扫描来预测帕金森病 (PD) 中的步态结 (FOG). 来自27个大脑区域的皮质区域测量显示了PD-FOG的中等预测能力.
科学领域:
- 神经成像和机器学习在神经退行性疾病中
- 生物医学工程和计算神经科学
背景情况:
- 步态结 (FOG) 是帕金森病 (PD) 中的一个衰弱症状,显著影响患者的移动性和生活质量.
- 目前在PD中预测或管理FOG的方法有限,这突显了对新型预测方法的需求.
- 机器学习 (ML) 为分析复杂的神经成像和临床数据提供了一个有希望的途径,以确定PD-FOG的预测生物标志物.
研究的目的:
- 调查使用传统T1加权MRI和临床数据与无偏的机器学习方法来预测帕金森病的FOG (PD-FOG) 的潜力.
- 确定特定的神经成像或临床特征,可以准确预测PD患者的FOG发生情况.
主要方法:
- 从37名参与者 (16名PD-FOG,21名PD-nFOG) 获得了T1加权的MRI扫描,并使用FreeSurfer提取了各种脑形态测量.
- 利用随机森林 (RF) 和支持矢量机 (SVM) 模型 (线性和非线性) 来测试单个和组合措施的预测能力.
- 在模型开发之前采用特征减小技术 (最小绝对收缩和选择操作员),并在独立测试数据集上验证模型.
主要成果:
- 线性SVM模型在独立数据集上取得了中等的预测性能 (AUC:0.71,精度:75%,灵敏度:75%,特异性:66.67%).
- 从27个特定的大脑区域的FreeSurfer衍生的皮质区域测量被确定为PD-FOG的关键预测因素.
- 这些已识别的皮质区域特征与FOG严重程度的已建立的临床和物理治疗措施有显著的相关性.
结论:
- 从27个关键大脑区域的皮质区域测量,通过线性SVM模型分析,可以适度预测PD中的FOG.
- 这项研究提出了一种基于MRI的新型分析方法,用于PD-FOG预测,这表明皮质形态学的潜在作用.
- 由于样本大小的限制,这些发现是初步的,需要在更大的多中心研究中进行复制以进行外部验证.
