基于重要性反转迁移框架识别神经退行性疾病谱系中的共享神经解剖学不变量

《Scientific Reports》：Explainable machine learning identifies candidate shared neuroanatomical features in Alzheimer’s and Parkinson’s via importance inversion transfer

　　

摘要

尽管阿尔茨海默病和帕金森病在神经生物学和病理学上存在显著重叠——这两种疾病是健康老龄化的主要威胁——它们目前仍作为独立的临床实体进行管理。标准机器学习方法通过优先考虑差异性标志物而非共享特征，加剧了这种诊断碎片化，从而掩盖了神经退行性变的不变量基础。本研究提出了一种重要性反转迁移方法——一种可解释的机器学习框架，旨在识别神经退行性病变谱系中的神经解剖学不变量。通过优先考虑结构稳定性而非判别效用，该方法分离出一个共享的病理核心，包含十个体积锚定区域，并通过归纳协议进行验证，具有较高的诊断保真度（AUC = 0.894）。所识别的健康老龄化与神经退行性变之间的形态学连续体，勾勒出了共享的结构基质，这与潜在的共同早期阶段易感性一致，但尚未证实。与神经退行性老年综合征假说相一致，该证据建立了一种可能的早期系统级诊断范式。