跨区域影像组学新框架：基于关系特征提取在帕金森病运动亚型分型中的突破性验证

本研究针对传统影像组学方法局限于单区域特征提取、难以捕捉复杂疾病病理生理机制中关键区域间关系的问题，开发了一种新颖的跨区域影像组学框架。研究人员通过系统提取解剖和功能连接脑区之间的关系特征，在早期帕金森病(PD)患者中验证了该框架对震颤主导型(TD)和姿势不稳步态困难型(PIGD)亚型分类的优越性。研究结果表明，运动环路特征在曲线下面积(AUC=0.821±0.117)和临床效用方面显著优于传统单区域特征，为理解PD病理机制和推动影像组学在复杂疾病中的应用提供了新范式。

　　

在神经退行性疾病研究领域，帕金森病作为全球第二大 neurodegenerative disease(神经退行性疾病)，影响着全球超过600万患者，其临床表现具有高度异质性，特别是震颤主导型(TD)和姿势不稳步态困难型(PIGD)这两种主要运动亚型，不仅症状表现迥异，疾病 progression(进展)轨迹和治疗反应也存在显著差异。传统神经影像学方法主要关注单个脑区的结构或功能变化，然而越来越多的证据表明，帕金森病的病理机制涉及 distributed network alterations(分布式网络改变)，特别是基底节-丘脑-皮质环路的 dysfunction(功能障碍)。

尽管近年来影像组学(radiomics)技术在疾病诊断和分类中展现出巨大潜力，能够从医学影像中提取大量定量特征来表征组织异性和病理生理模式，但现有方法大多局限于单区域特征提取，缺乏对 inter-regional relationships(区域间关系)的系统分析。这种局限性在帕金森病研究中尤为突出，因为该病的运动症状产生与多个脑区之间的协调活动密切相关，特别是 putamen(壳核)、caudate nucleus(尾状核)、globus pallidus(苍白球)和 substantia nigra(黑质)等基底节结构之间的功能连接模式。

为了解决这一方法论缺陷，来自伊朗 Shahid Beheshti 大学医学辐射工程系的 Hosseini 等人开展了一项创新性研究，开发了一个系统的跨区域影像组学框架，并于2025年在《BioData Mining》期刊上发表了他们的研究成果。该研究首次提出了一个 comprehensive(全面的)关系特征提取方法，专门设计用于捕获解剖和功能连接脑区之间的多种数学关系，包括比值、不对称指数、体积关系和形状分布等指标。

研究人员为开展这项研究采用了多个关键技术方法：从 Parkinson's Progression Markers Initiative(PPMI)(帕金森病进展标志物倡议)数据库中获取140例早期帕金森病患者(70例TD，70例PIGD)的T1加权磁共振成像(MRI)数据；使用标准化图谱(Harvard-Oxford 和 ATAG 图谱)对8个双侧运动环路区域进行分割；提取48个传统单区域特征和60个新型运动环路特征；采用中心化5折交叉验证策略评估6种特征工程场景；使用6种机器学习分类器进行性能评估。

ROI segmentation(感兴趣区分割)

研究选择了8个双侧运动环路关键区域作为分析目标：putamen(壳核)、caudate nucleus(尾状核)、globus pallidus(苍白球)和 substantia nigra(黑质)。所有图像处理使用FMRIB Software Library(FSL)完成，采用 Harvard-Oxford 皮质下结构概率图谱和 basal ganglia(基底节)概率图谱(ATAG)生成标准化空间 mask(掩模)，然后使用线性(FLIRT)和非线性(FNIRT)配准工具将标准空间掩模配准到每个受试者的原生空间。为了确保分割可靠性，同一操作者在两周间隔内进行了两次ROI提取，组内相关系数(ICC)分析显示所有ROI具有 excellent reliability(极好的可靠性)(ICC=0.94)。

Feature engineering and classification(特征工程与分类)

研究团队开发了两组不同的特征集来进行全面评估。传统单区域特征从8个双侧运动环路区域提取，每个区域计算6个统计指标：median intensity(中位强度)、coefficient of variation(变异系数)、volume(体积)、entropy(熵)、interquartile range(四分位距)和 skewness(偏度)，共48个特征。

相比之下，运动环路特征集包含了60个专门设计的特征，捕获运动环路组件之间的病理生理相关关系：24个跨区域比值(12个壳核-黑质比值和12个尾状核-壳核比值)；24个不对称指数(所有4个运动环路区域的左右不对称比值)；5个运动环路体积关系；2个组合环路测量；5个形状和分布特征。这些特征基于帕金森病亚型中已知的环路功能障碍模式设计。

研究还设计了6种特征工程场景来系统验证假设：场景1(原始特征)使用未处理的特征；场景2(原始预处理)包含鲁棒缩放和异常值去除；场景3(增强预处理)引入多项式特征、交互特征、对数变换和统计聚合；场景4(增强鲁棒)添加特征选择(k=15)；场景5和6(增强替代缩放)测试不同归一化策略的鲁棒性。

Performance evaluation(性能评估)

性能评估采用多维框架，包括分类性能指标(准确率、敏感性、特异性、F1分数)、概率性能指标(ROC曲线下面积AUC和精确召回曲线下面积PR-AUC)、临床效用(决策曲线分析DCA)和模型可靠性(校准曲线分析)。特征重要性使用分类器特定方法提取，特征一致性使用Jaccard相似系数评估。

Comparative performance analysis(比较性能分析)

结果显示，运动环路特征在所有增强预处理场景中均表现出优越性能。基线场景(原始特征和原始预处理)中两组特征无显著差异(p=0.9223和p=0.0902)，但增强预处理场景开始显示运动环路特征的显著优势(p=0.0376, Cohen's d=0.405)。优化场景表现出更大的效应量：增强鲁棒(p=0.0003, d=0.753)、增强标准(p=0.0002, d=0.776)和增强MinMax达到峰值AUC性能(0.821±0.117 vs. 0.650±0.220, p=0.0012, d=0.665)。

Discriminative performance analysis(判别性能分析)

ROC和精确召回曲线证实了运动环路特征在增强场景中的优越判别性能。运动环路特征达到峰值ROC-AUC为0.794(增强MinMax)，而单区域特征仅为0.638，表明在类别分离方面有显著改善。精确召回分析显示运动环路特征 consistently superior(持续优越)，在增强MinMax场景中PR-AUC达到0.778，而单区域特征为0.680。

Clinical utility and model reliability(临床效用与模型可靠性)

校准和决策曲线分析证明了运动环路特征的临床适用性。增强场景显示 improved probability calibration(改进的概率校准)，运动环路特征比单区域特征更接近完美校准线。决策曲线分析显示，在大多数决策阈值下，运动环路特征具有更大的净临床效益，特别是在增强场景中，正净效益扩展到更高的阈值概率。

Feature importance analysis(特征重要性分析)

特征重要性分析揭示了运动环路特征在预处理场景中的 distinct patterns(独特模式)。在基线场景中，重要性分布在多个特征家族中，不对称特征占34.4%和36.7%，跨区域比值占47.8%和41.1%。然而，增强场景显示出向跨区域特征的 dramatic shift(显著转变)，在所有三个增强场景中占重要性排名的86.7%。

综合特征重要性排名确定了在所有分类器-场景组合中 consistently high-importance(持续高重要性)的运动环路特征。排名最高的特征主要是涉及关键运动环路连接的跨区域比值，其中PuR_SNR_Skewness_CR(右侧壳核-黑质偏度比值)的重要性频率最高(6.3%)，其次是双侧壳核-黑质体积关系。

Feature consistency analysis(特征一致性分析)

特征一致性分析使用Jaccard相似系数评估了不同分类器-场景组合中特征重要性排名的稳定性。运动环路特征表现出显著更高的一致性，高相似性连接(>60%)比单区域特征多27.1%，表明不同分析方法对哪些特征最具判别力有更大共识。

研究结论与讨论部分强调，这项研究引入的跨区域影像组学框架在早期帕金森病运动亚型分类中展现出显著的临床和计算优势。结果强烈支持了研究初始假设：经过数学建模的区域间特征在判别准确性和鲁棒性方面均优于传统单区域指标。

多场景评估策略证实了原始特征变异性(尤其是在多中心数据中)可能掩盖有意义的模式，而适当的预处理和增强能够揭示底层病理生理差异。ROC、精确召回、决策曲线分析、校准和特征分析的结果一致验证了这一假设。

最重要的是，特征重要性排名为观察到的分类性能提供了机制支持。最有影响力的特征 consistently(持续地)是跨区域比值，特别是壳核和黑质之间以及右侧半球的相关性。偏度和体积比值(如PuR_SNR_Skewness_CR)在多个分类器-场景组合中排名最高。这些关系具有病理生理学基础：壳核和黑质是基底节环路的核心结构，这些区域中多巴胺能 depletion(耗竭)的差异是帕金森病运动表型的已知基础。

不对称特征在早期场景中也很突出，反映了帕金森病已知的 lateralized symptom progression(偏侧症状进展)。然而，随着增强预处理的实施，跨区域特征占据主导地位(占顶级特征的86.7%)，表明一旦噪声被最小化，解剖关系比简单的侧向差异更具信息性。

特征一致性分析进一步证实了运动环路特征的可靠性，这些特征在不同算法和预处理策略中 consistently selected(被持续选择)，增加了其生物学有效性和可重复性的可信度。这种一致性对于临床转化至关重要，因为在患者群体和机构间的可靠性是关键因素。

该研究的局限性包括样本量有限、未进行模型架构优化或超参数调优、仅包含早期帕金森病患者以及仅使用六种基本影像组学指标。未来研究方向包括将该框架应用于阿尔茨海默病、神经肿瘤学中的瘤内与瘤周影像组学交叉分析、纵向建模以测试关系特征是否能预测亚型转换或进展速率，以及整合临床特征或分子标志物以增强性能和支持多模态疾病建模。

总之，这项研究为开发可扩展、可解释和具有临床可操作性的影像组学应用奠定了基础，特别适用于区域间协调对病理生理机制至关重要的复杂神经系统疾病。跨区域影像组学框架不仅为帕金森病亚型分类提供了新工具，更重要的是为理解神经退行性疾病的网络级功能障碍机制提供了新视角。