基于MRI影像组学和临床特征的威尔逊病神经功能恶化可解释性机器学习预测模型

本研究针对威尔逊病(WD)患者短期抗铜治疗期间神经症状恶化的临床难题，通过整合脑部T1WI MRI影像组学特征与临床指标，构建了6种机器学习模型。最佳表现的XGBoost模型在训练集和测试集分别达到0.96和0.94的AUC值，并通过SHAP方法解析出UWDRS-N评分、年龄及特定脑区影像特征等关键预测因子，为临床决策提供了可解释的AI工具。

　　

威尔逊病(WD)作为一种罕见的铜代谢障碍遗传病，给全球约3万分之一的人群带来沉重负担。尽管铜螯合剂治疗能有效控制85%患者的症状，但令人困扰的是，约半数患者在治疗初期会出现神经功能恶化——这种"治疗悖论"现象让临床医生如履薄冰。更棘手的是，目前缺乏可靠的预测工具，医生们往往只能被动应对病情变化，这对缺乏经验的基层医师尤为挑战。

安徽中医药大学神经病学研究所附属医院的研究团队敏锐捕捉到这一临床痛点。他们注意到，虽然既往研究探索过发病年龄、症状类型等临床因素，但脑部MRI蕴含的丰富信息尚未被充分挖掘。特别是常规T1加权成像(T1WI)中那些肉眼难以识别的细微特征，可能隐藏着预测病情恶化的"密码"。研究团队创新性地将影像组学技术与机器学习(ML)相结合，在《Parkinsonism》发表了这项突破性研究。

研究团队采用多学科交叉的研究策略：首先通过自动化分割技术从107例WD患者的脑部T1WI图像中提取1409个影像组学特征，结合LASSO回归筛选出18个最具预测价值的特征；同步收集9项临床指标，包括统一威尔逊病评定量表-神经部分(UWDRS-N)评分、病程等；随后构建包含神经网络(N-net)、随机森林(RF)等6种ML模型，最终XGBoost模型以接近完美的预测性能脱颖而出。SHAP可解释性分析则像"X光"般透视了模型的决策逻辑，首次揭示脑干、胼胝体等特定脑区的纹理特征与临床指标的协同预测机制。

【比较一般临床资料】
研究纳入107例伴DWI高信号的WD患者，平均年龄24.5岁，男性占58%。基线UWDRS-N评分中位数50.5分，35例(32.7%)在抗铜治疗期间出现神经功能恶化。通过单因素分析发现，恶化组在年龄、病程等指标上存在显著差异(p<0.05)。

【讨论】
这项研究开创性地建立了WD治疗响应预测的"智能导航系统"。与传统的半定量影像评分相比，该模型展现出三大突破：首先，预测准确率(AUC 0.94)远超既往方法；其次，模型捕捉到右壳核灰度不均匀性(GrayLevelNonUniformityNormalized)等人类视觉无法识别的影像标志；更重要的是，SHAP分析直观展示了各特征的贡献度，如UWDRS-N评分每增加1分，恶化风险就提升约15%，这种量化关系为个体化治疗提供了精确依据。

研究结果对临床实践具有双重启示：一方面，证实了常规T1WI序列中蕴含的预测价值，这对医疗资源有限的地区尤为重要；另一方面，模型识别的高风险特征群提示，神经症状恶化可能源于多脑区协同损伤，而非传统认为的单一核团病变。这为WD的病理机制研究开辟了新视角。

当然，这项研究也存在样本量有限、随访时间较短等局限。未来需要通过多中心验证、结合功能MRI等技术进一步提升模型的泛化能力。但毋庸置疑，这项研究为神经遗传病的精准医疗树立了新范式——它不仅是一套预测工具，更是连接临床表征与深层病理机制的"解码器"，为破解WD治疗悖论提供了关键突破口。