编辑推荐：
帕金森病（PD）早期诊断困难，与 SWEDD 症状易混淆。研究人员融合多模态数据特征，构建三层多层堆叠（MULS）分类器。结果显示，该分类器在区分 PD 和 SWEDD 上表现出色，有望助力医疗人员早期疾病分析。
帕金森病（Parkinson’s disease，PD）是一种在全球范围内影响着近 1000 万人的慢性中枢神经系统疾病。它的典型特征是黑质多巴胺能神经元显著缺失，细胞内 α - 突触核蛋白在基底节异常聚集。随着年龄增长，患病风险大幅上升，60 - 65 岁以上人群中有 1% - 2% 受其困扰。PD 的症状分为运动症状（Motor Symptoms，MS）和非运动症状（Non - Motor Symptoms，NMS），像睡眠问题、行走不便、情绪低落、腿部不安、便秘以及低血压等常见症状，与其他神经疾病高度重合。这使得 PD 在早期极易被误诊，其中与 PD 症状极为相似的 SWEDD（scans without evidence of dopamine deficit，即扫描无多巴胺缺乏证据），更是给诊断带来了极大挑战。SWEDD 在临床症状和多巴胺转运体（Dopamine Transporter，DAT）成像方面都与 PD 相似，而现有的诊断方法，无论是基于问卷的临床量表，还是生物、成像特征检测，都难以精准区分二者。因此，开发一种可靠的区分 PD 和 SWEDD 的方法迫在眉睫。
在这样的背景下，来自未知研究机构的研究人员开展了一项极具意义的研究。他们致力于通过多模态数据融合，探索 PD 与 SWEDD 之间的关联，进而构建高效的分类器实现精准诊断。研究成果发表在《Biomedical Signal Processing and Control》上，为帕金森病的诊断开辟了新的道路。
研究人员在此次研究中运用了多种关键技术方法。首先，在数据处理阶段，采用了最小 - 最大归一化（min - max normalization）对数据进行标准化处理。接着，实施特征选择和数据平衡策略，以挑选出最优特征并解决数据不平衡问题。在分类模型构建上，提出了三层的多层堆叠（MULS）分类器。为优化模型性能，在每一层分类器上都应用了贝叶斯优化（Bayesian optimization）和 5 折嵌套分层交叉验证（5 - fold nested stratified cross - validation）进行超参数调优。研究使用的样本数据来源于帕金森病进展标记计划（PPMI），这是一个由迈克尔?J?福克斯帕金森病研究基金会以及多家制药和生物技术公司支持的公私合作项目。
研究人员从多方面展开研究并得出了一系列重要结论。
在数据处理与特征选择方面，通过最小 - 最大归一化对生物、临床和成像等多模态数据进行标准化处理，使其具有可比性。再利用特征选择和数据平衡策略，筛选出最具代表性的特征，克服数据不平衡问题，为后续分类模型的构建奠定了良好基础。
在模型构建与性能评估上，构建的三层 MULS 分类器表现卓越。研究人员使用最佳特征集对 PD 与 SWEDD、PD 与对照组、SWEDD 与对照组进行三组二元分类。结果显示，在区分 PD 和 SWEDD 时，MULS 分类器取得了惊人的成绩：准确率达到 97.38%，F1 分数为 96.21%，灵敏度高达 98.78%，精度为 98.47%，曲线下面积（Area Under the Curve，AUC）达到 98.21%。这一结果远超以往文献中的方法，充分证明了该模型在区分 PD 和 SWEDD 方面的有效性和优越性。
此外，研究人员还对多模态融合特征的影响进行了深入分析，并使用独立数据集对模型进行验证。验证结果进一步证实了模型的可靠性和泛化能力，表明该模型在实际应用中具有很大的潜力。
研究结论表明，准确区分 PD 和 SWEDD 对于避免误诊、保障患者接受恰当治疗至关重要。此前大多数研究依赖单一分类器，受限于各自的优缺点，难以实现高精度诊断。而本研究构建的 MULS 分类器，通过堆叠多个分类器的预测结果，有效整合了不同分类器的优势，显著提升了诊断准确性。这一研究成果为医疗人员早期分析和诊断帕金森病提供了有力的工具，有助于改善患者的治疗效果和生活质量，在帕金森病的诊断和治疗领域具有重要的应用价值和深远的意义。同时，也为后续相关研究提供了新的思路和方法，有望推动帕金森病诊断技术的进一步发展。
