基于参数特征和高级fMRI分析的帕金森病早期检测

《Technologies》：Early Detection of Parkinson’s Disease Using Parametric Features and Advanced fMRI Analysis

　　根据运动障碍学会统一帕金森病评分量表（MDS-UPDRS），帕金森病（PD）是老年人中最常见的第二种神经退行性疾病，仅次于阿尔茨海默病。帕金森病的特征表现为异质性的运动症状与非运动症状的混合，其中不自主运动是核心的临床定义特征。前驱期存在相当大的诊断挑战，因为早期症状往往轻微、缺乏特异性，且由于缺乏明显的运动体征而常被误判。重要的是，这些早期改变可能比正式诊断提前长达二十年的时间，突显了对有效早期检测策略的迫切需求。本研究提出了一种基于功能磁共振成像（fMRI）的图像处理与机器学习框架，用于帕金森病的早期检测。我们从fMRI数据中提取统计特征，训练25个机器学习模型，并从中选择最准确的模型。随后，我们应用最小冗余最大相关性（mRMR）算法，识别每个受试者最具描述性的fMRI帧。我们提出了一种分层分类策略：首先进行初始的二分类，以区分对照组与前驱期+帕金森病病例；其次进行第二个二分类，以区分前驱期与帕金森病。实验结果表明，使用16个轴位切片时最高精确率为88.43%，使用单个切片时精确率为85.85%，表明预处理策略的有效性及其作为非侵入性生物标志物用于早期帕金森病检测的潜力，即使在减少输入数据的情况下也是如此。这些发现表明，通过使用有限数量的fMRI切片即可获得较高的分类性能，从而促进数据获取并减轻临床研究中受试者的负担。