临床放射学杂志

作者：曾玮, 郭嘉丽, 梁晓, 尹之彪, 程卫玲, 李芳君, 方鑫, 洪道俊, 周福庆

单位：330000 南昌大学第一附属医院影像科曾玮、程卫玲、梁晓、周福庆; 神经内科郭嘉丽、尹之彪、李芳君、方鑫、洪道俊

关键词：帕金森病,海马,体素镜像同伦连接,影像组学,机器学习

基金：本研究系国家自然科学基金项目(编号:82160331);江西省双千人才计划项目(编号:jxsq2023201039);江西省医学影像临床医学研究中心项目(编号:2023BCG74001);江西省精准病理和智能诊断重点实验室项目(编号:2024SSY06281)

<b>目的</b> 探讨基于双侧海马静息态功能磁共振成像(rs-fMRI)的影像组学特征的机器学习分类器在帕金森病(PD)患者中区分出PD认知功能损害(PD-CI)患者的价值。<b>方法</b> 前瞻性采集88例PD患者的rs-fMRI数据,随机分为训练集(61例)和验证集(27例),经数据预处理后计算基于体素镜像同伦连接(VMHC),提取双侧海马区VMHC图的组学特征。被提取的特征经Z-score标准化统一度量后,采用Spearman相关系数和最小绝对收缩和选择算子(LASSO)回归算法进行特征降维和筛选得到最优特征。将最优特征集纳入多种机器学习策略构建PD-CI的二分类诊断模型,应用受试者工作特征曲线(ROC)评估各模型诊断效能。采用Spearman相关分析最优特征与临床量表评分之间的关系。<b>结果</b> 经过海马的VMHC组学特征筛选,最终获得22个最优特征。采用11种机器学习算法构建的模型,性能均达到良好以上[曲线下面积(AUC)0.820~1.000]。综合敏感度、特异度和准确率考虑,支持向量机(SVM)算法构建的海马VMHC组学特征模型(敏感度为1.000、特异度为0.824、准确率为0.889及AUC为0.941)的整体效能优于其他机器学习模型(准确率＜0.852)。相关性分析结果显示PD-CI患者的非运动症状评价量表(NMSS)、汉密尔顿焦虑量表(HAMA)以及统一帕金森病评定量表第三部分(UPDRS-Ⅲ)值与最优的小波变换特征之间存在显著正相关(r=0.506、0.372、0.483,Bonferroni校正,P×7 ＜0.05)。<b>结论</b> 基于双侧海马rs-fMRI的VMHC影像组学特征的SVM模型对PD-CI患者具有可行性和良好的诊断效能,有望为临床提供参考。

来源：2025年第2期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第2期