基于机器学习的大脑白质影像组学标签识别帕金森病早期阶段的应用研究

目的使用机器学习开发并验证一种基于大脑白质的影像组学标签用于预测帕金森病（PD）的早期阶段。方法从PD进展标记倡仪数据库（PPMI）中收集340例受检者的影像和临床资料，包括171例健康对照人群和169例PD患者。所有受试者按7:3随机分为训练组237例和测试组103例。在训练集的基线MRI中，切割出三维大脑白质以提取每例患者的影像组学特征，进行降维后使用机器学习方法构建影像组学标签。利用ROC曲线评估影像组学标签在训练组和测试组中的诊断效能，用Hosmer-Lemeshow检验分析标签的拟合优度。将所有数据集按照ROC曲线的截断值分为高危组和低危组，比较两组PD患者例数，以确定标签的临床效果。利用ROC曲线和决策曲线（DCA）分别评估标签在所有PPMI数据中的准确性和净效益。结果训练组和测试组的影像组学标签AUC分别为0.849和0.824，灵敏度分别为0.75和0.78，特异度分别为0.87和0.87。Hosmer-Lemeshow检验表明，标签在训练组和测试组中的拟合优度比较差异无统计学意义（P＞0.05）。将所有数据集按模型的最佳诊断阈值（截断值=0.1338）分为高危组144例和低危组196例。其中高危组PD患者123例，HC人群21例；低危组PD患者44例，HC人群152例；两组PD患者例数比较差异有统计学意义（P＜0.05)。影像组学标签在所有数据集中的诊断准确性为0.823，DCA曲线也显示了良好的净效益。结论基于常规MRI的大脑白质影像组学标签对PD患者表现出良好的鉴别性能，证明了其在PD患者识别中的临床应用价值。