《Frontiers in Aging Neuroscience》：Machine learning-based radiomics modeling of combined subcortical nuclei from quantitative susceptibility mapping for Parkinson's disease diagnosis
编辑推荐：
背景：定量磁化率成像（QSM）能够无创评估帕金森病（PD）中的脑铁沉积，然而现有影像组学研究主要集中于单一皮质下核团，未系统评估联合多个区域是否能提高诊断准确性。方法：共59例PD患者和73例健康对照接受了QSM检查。研究人员从黑质（SN）、尾状核（CN）、苍
背景：定量磁化率成像（QSM）能够无创评估帕金森病（PD）中的脑铁沉积，然而现有影像组学研究主要集中于单一皮质下核团，未系统评估联合多个区域是否能提高诊断准确性。方法：共59例PD患者和73例健康对照接受了QSM检查。研究人员从黑质（SN）、尾状核（CN）、苍白球（GP）、红核（RN）和壳核（Put）中提取影像组学特征。对于五个核团的所有31种可能组合，研究人员在训练集上使用Wilcoxon秩和检验、最小冗余最大相关性（mRMR）和最小绝对收缩和选择算子（LASSO）回归进行特征选择。四种分类器——逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和极限梯度提升（XGBoost）——在分层五折嵌套交叉验证框架下进行训练和评估。诊断性能主要通过受试者工作特征曲线下面积（AUC）进行评估。结果：LR在CN+GP组合下取得最佳平均测试AUC为0.879±0.045。SVM和RF的最优平均测试AUC分别为0.880±0.047（GP+RN+Put）和0.891±0.028（CN+GP）。XGBoost结合GP+RN+Put在所有模型中取得最高平均测试AUC（0.921±0.040），被指定为全局最优模型；Bootstrap验证确认其稳健性（AUC=0.940，95%置信区间：0.891–0.977）。观察到联合核团数量与XGBoost测试AUC之间存在显著正相关（Spearman's rho=0.614，P<0.001）。结论：基于QSM的多核团影像组学模型整合GP、RN和Put与XGBoost，为PD实现了优异的诊断性能，支持多区域信息融合在精准影像学诊断中的价值。
**研究背景与目的**
帕金森病（Parkinson's disease, PD）是全球第二大神经退行性疾病，以黑质致密部多巴胺能神经元丢失及异常铁沉积为病理特征。当前临床诊断主要依赖主观量表（如统一帕金森病评定量表，UPDRS），但早期症状非特异且评估主观性强，导致诊断延迟。常规磁共振成像（MRI）对早期微观结构改变敏感性不足。定量磁化率成像（Quantitative susceptibility mapping, QSM）可可靠量化脑铁含量，既往研究已证实PD患者深部灰质核团（包括黑质（SN）、尾状核（CN）、苍白球（GP）、红核（RN）和壳核（Put））磁化率值显著升高。然而，多数QSM研究仅依赖传统整体磁化率测量，可能忽略反映复杂病理信息的纹理异质性。影像组学（Radiomics）可高通量提取定量特征，捕捉肉眼不可见的组织微细改变，结合机器学习算法在神经疾病诊断中展现出潜力。但现有PD影像组学研究多聚焦单一脑区（如SN），多核团影像组学特征联合能否提升诊断准确性尚未被系统评估。因此，本研究旨在通过系统评估五个皮质下核团不同组合的影像组学特征诊断性能，开发基于QSM的准确且可解释的PD诊断模型。该研究发表于《Frontiers in Aging Neuroscience》。
**主要关键技术方法**
研究人员前瞻性招募了59例PD患者和73例健康对照（HC），均来自当地医院神经内科（2024年3月至2025年12月）。使用3.0T MRI扫描仪（Ingenia Elition, Philips Healthcare）采集3D多回波梯度回波序列重建QSM图像。由一名经验丰富的神经放射科医生手动勾画五个核团（SN、CN、GP、RN、Put）的感兴趣区（ROI），每核团约3–5层，合并为三维容积感兴趣区（VOI）。使用PyRadiomics提取每个VOI的1316个影像组学特征（包括原始图像及13种衍生图像类型）。针对所有31种可能的核团组合，在训练集内采用三步特征选择：Wilcoxon秩和检验（FDR校正P<0.05）、最小冗余最大相关性（mRMR）保留前50个特征、最小绝对收缩和选择算子（LASSO）回归确定非零系数特征。四种分类器——逻辑回归、支持向量机（SVM，径向基函数核）、随机森林（RF，500棵树）和极限梯度提升（XGBoost）——在分层五折嵌套交叉验证框架下训练和调优。模型性能以受试者工作特征曲线下面积（AUC）为主要指标，并计算准确率、灵敏度和特异度。对全局最优模型进行1000次Bootstrap稳定性分析及SHAP（Shapley additive explanations）特征重要性解释。
**研究结果**
**基线特征**：PD与HC组在年龄和性别上无显著差异（P>0.05）。PD患者五个核团的平均磁化率值均显著高于HC（所有P<0.001）。
**特征选择**：对每个核团组合在每折外层训练集独立进行三步特征选择，得到各组合的特征子集。
**模型性能与最优核团组合**：影像组学模型的平均测试AUC始终高于仅使用平均磁化率值的基线模型。LR在CN+GP组合达到最佳平均测试AUC 0.879±0.045；SVM在GP+RN+Put组合达到0.880±0.047；RF在CN+GP组合达到0.891±0.028；XGBoost在GP+RN+Put组合取得所有模型最高平均测试AUC 0.921±0.040，被指定为全局最优模型。
**全局最优模型的详细评估与特征解释**：XGBoost（GP+RN+Put）在0.5阈值下平均准确率0.805±0.046，灵敏度0.798±0.093，特异度0.810±0.032。五折ROC曲线均显示高判别性能，决策曲线分析（DCA）表明临床净获益优于“全部治疗”或“不治疗”策略。SHAP分析显示，各折中最重要的特征不同：RN_wavelet.LHL_glcm_Correlation在两折中排名第一，GP_wavelet.HHH_gldm_GrayLevelNonUniformity在两折中排名第一，GP_wavelet.LLH_glcm_Idn在一折中排名第一。
**核团数量对模型性能的影响**：Spearman相关分析显示，联合核团数量与XGBoost测试AUC呈显著正相关（rho=0.614，P<0.001），表明纳入更多区域通常提升预测性能。
**Bootstrap稳定性分析**：对GP+RN+Put XGBoost模型进行1000次Bootstrap迭代，估计AUC为0.940（95% CI: 0.891–0.977），准确率0.879（95% CI: 0.813–0.932），灵敏度0.859（95% CI: 0.762–0.948），特异度0.895（95% CI: 0.824–0.959）。两个特征（RN_wavelet.LHL_glcm_Correlation和GP_wavelet.LLH_glcm_Idn）在超过80%的Bootstrap迭代中被LASSO保留，视为稳健特征。箱线图显示这两个特征在PD与HC组间差异显著（P<0.001）。
**讨论与结论**
本研究系统评估了基于QSM的五个皮质下核团所有可能组合的影像组学特征用于PD诊断。关键发现是多核团整合策略显著优于单区域方法。XGBoost联合GP、RN和Put取得最高诊断性能（Bootstrap AUC 0.940），表明基底节-丘脑-皮层运动环路中相互连接的节点所携带的互补病理信息融合后具有诊断价值。值得注意的是，最优组合未包含传统核心病理区域SN，但该观察需谨慎解释——可能因SN内铁沉积局灶性（主要累及nigrosome-1亚区），而影像组学纹理特征捕捉的是空间异质性而非平均铁含量，且受手动分割变异、样本量有限及特征选择不稳定性影响，故视为假设生成性发现。核团数量与AUC正相关支持PD病理涉及多个皮质下结构弥漫性受累。与既往研究比较，嵌套交叉验证框架提供了更保守的估计，XGBoost模型性能与Xiao等（2019）的严格验证结果相当，且多核团模型的一致性证据表明PD铁相关微观结构改变超出SN范围。分类器方面，集成学习方法（RF、XGBoost）在多数组合中数值上优于LR和SVM，XGBoost因其自适应正则化、早停策略和梯度优化在避免过拟合的同时捕捉高阶非线性模式。SHAP分析揭示了两个稳健特征：RN_wavelet.LHL_glcm_Correlation（代表RN中更均匀的局部磁化率模式，与铁沉积空间组织一致）和GP_wavelet.LLH_glcm_Idn（代表GP中组织均匀性降低，反映空间异质性铁积累和反应性胶质增生），两者互补地刻画了PD相关微观结构病理。局限性包括单中心、样本量有限、无外部验证、手动分割依赖操作者、未记录疾病持续时间等临床变量。结论翻译如下：本研究证明，基于QSM的多核团影像组学方法结合集成机器学习，为PD诊断实现了优异的性能。整合GP、RN和Put的XGBoost模型在评估策略中提供了最高准确率，强调了多区域信息融合的价值，并为基于精准影像学的PD诊断提供了一个客观、可解释的框架。
