机器学习赋能经颅超声：实现帕金森病个体化诊断的新突破

《European Radiology》：Bringing neuroimaging to the bedside: can machine learning empower transcranial sonography?

本文探讨了如何将机器学习与经颅超声(TCS)结合以提升帕金森病(PD)的个体化诊断水平。Ge等人基于XGBoost模型，利用TCS获取的黑质高回声(SNHE)及临床数据构建诊断模型，验证集灵敏度达0.903。该研究为PD的早期、低成本诊断提供了新思路，并借助SHAP方法实现模型结果的可解释性。

　　

帕金森病(Parkinson's disease, PD)是一种常见的神经退行性疾病，其诊断目前主要依赖临床症状。然而，当患者表现为非典型症状时，区分PD与其他帕金森综合征变得尤为困难。此外，实现PD的早期诊断乃至识别高危人群，也是临床面临的重大挑战。影像学检查被认为是有潜力的解决方案之一。在众多影像技术中，经颅超声(transcranial sonography, TCS)因其无创、成本低、易于操作等特点而受到关注。TCS可通过检测中脑黑质(substantia nigra)区域的高回声现象（即黑质高回声, substantia nigra hyperechogenicity, SNHE），为PD诊断提供重要的生物标志物。其他TCS生物标志物，如中缝核回声、基底节回声、第三脑室宽度及脑血流测量等，也显示出应用潜力。

尽管TCS具有诸多优点，但其应用仍存在明显局限性。大约4%-15%的欧洲人群存在颞骨声窗不佳的情况，在亚洲人群中这一比例甚至高达15%-60%。此外，TCS检查结果高度依赖于操作者的技术和所使用的设备系统，需要专门的经验才能获得准确的图像。测量变异性还源于声波入射平面的方向差异，以及对中脑和SNHE的 manual segmentation（手动分割）。更重要的是，与磁共振成像(MRI)和放射性核素成像不同，TCS尚未经过与死后病理结果的直接验证。这些因素都限制了TCS在临床中的广泛和标准化应用。

为了克服这些挑战，并进一步挖掘TCS在PD诊断中的潜力，研究人员开始探索将机器学习(machine learning)技术与TCS相结合。发表在《European Radiology》上的这项研究，由Ge等人完成，旨在开发一个基于机器学习的模型，利用TCS数据和临床信息来支持PD的个体化诊断。

研究人员开展了一项回顾性研究，收集了480名受试者（233名PD患者和247名非PD患者）的数据用于训练机器学习模型，并在另外119名受试者（57名PD患者和62名非PD患者）中进行了验证。他们采用的模型是基于XGBoost算法。纳入模型的变量包括年龄、双侧SNHE面积、中脑(midbrain)面积、黑质/中脑(SN/midbrain, S/M)比值以及肌张力(muscle tone)。为了增强模型的可解释性，研究人员采用了SHapley Additive exPlanations (SHAP)方法来可视化每个特征对个体预测结果的贡献程度。

模型性能

在验证集上，该XGBoost模型表现出较高的灵敏度（0.903），但特异性（0.667）和准确度（0.747）处于中等水平。这表明该模型在识别PD患者方面能力较强，但将非PD患者正确分类的能力有待提升。

特征重要性分析

通过计算平均绝对SHAP值，研究人员评估了各个预测特征的重要性。结果显示，双侧SNHE是对模型预测影响最大的特征，其次是年龄。这证实了评估SN高回声区域对于PD诊断的核心价值。其他特征，如中脑面积、S/M比值和肌张力，也对PD预测有所贡献。

关键阈值识别

SHAP分析还揭示了关键特征与预测结果之间的非线性关系，并识别出重要的阈值。例如，SNHE面积为0.2 cm²和S/M比值为7%的阈值，与既往文献报道一致，这为临床判断提供了量化参考。

该研究的重要意义在于，与以往多侧重于群体分析的研究不同，Ge等人开发的模型能够应用于个体层面的PD预测。通过结合受试者的临床数据和TCS测量结果，该模型有望辅助临床医生进行更早的PD诊断。早期诊断可以减少对其他昂贵神经影像学检查（如MRI或PET）的依赖，从而降低整体诊断和管理成本。

然而，该研究也存在一些局限性。首先，研究设计是回顾性的，未能评估TCS测量结果的评估者内和评估者间重复性。其次，验证集中的非PD组是一个混合群体，包含健康对照和其他帕金森综合征患者，但模型并未单独评估其在区分PD与健康对照、以及PD与其他非健康对照（如特发性震颤、药物性帕金森症、血管性帕金森症）方面的性能。这可能是模型特异性相对较低的原因之一。作者也承认，模型的性能，特别是特异性和准确度，仍有待进一步提高。

展望未来，研究人员建议可以从以下几个方面改进模型：纳入更多的临床数据（如症状偏侧性、病程）和其他TCS测量指标（如黑质病变负荷、基底节状况、脑室宽度、脑组织搏动性）；评估SNHE的不对称性，这可能对早期诊断尤为重要；开展多中心、前瞻性研究，使用不同型号的超声设备，并纳入特定的对照人群，以提升模型的普适性。此外，利用人工智能工具自动化分割SN区域，有助于提高测量的准确性和可重复性。

总之，Ge等人的工作为日益增多的关于TCS辅助PD早期诊断的文献增添了新的证据。多项指南已将TCS列为PD的可选诊断方法，最新的欧洲和德国指南更新也对其使用达成了强烈共识。尽管TCS存在局限性，但结合其非侵入性和成本效益高的优点，以及机器学习技术带来的个体化诊断潜力，TCS在未来的PD诊断和管理体系中无疑具有广阔的应用前景。通过整合更多互补的临床和TCS特征，如高回声豆状核等，模型在鉴别诊断多系统萎缩和进行性核上性麻痹等特定疾病方面的性能有望得到进一步提升。