基于XGBoost模型与SHAP可视化分析的经颅超声联合临床特征对帕金森病的诊断价值研究

为解决帕金森病(PD)早期诊断难题，研究人员通过回顾性研究整合经颅超声(TCS)与临床数据，利用Boruta算法筛选关键特征并构建XGBoost模型，结合SHAP可视化技术实现高精度(AUC=0.811)且可解释的PD诊断，为临床提供非侵入性AI决策支持。

　　

这项开创性研究探索了经颅超声(TCS)与机器学习在帕金森病(PD)诊断中的协同效应。科研团队采用回顾性设计，收集了2023年5月至2024年12月期间接受TCS检查的599例患者数据（训练集480例，验证集119例）。通过Boruta特征选择算法锁定关键指标后，构建了基于梯度提升框架的XGBoost诊断模型，并引入SHAP（Shapley Additive Explanations）技术实现预测结果的可视化解析。

研究结果显示，该模型在训练集和验证集的曲线下面积(AUC)分别达到0.863和0.811，展现出优异的判别效能。SHAP分析揭晓了两个最具影响力的生物标志物：双侧黑质高回声(SNHA)和黑质/中脑比值(S/M)，这些发现为PD的神经影像学诊断提供了量化依据。

该研究的创新之处在于将传统TCS检查与现代可解释人工智能(XAI)技术深度融合，不仅实现了0.811的AUC诊断效能，更通过SHAP力场图直观展示各特征贡献度，使"黑箱"算法转化为临床医生可理解的决策依据。这种结合非侵入性影像与常规临床参数的方法，为PD的早期筛查和个体化诊疗开辟了新途径。