酰胺质子转移成像核团特征对帕金森病的诊断价值:基于可解释性机器学习

摘要

目的 构建基于APT成像影像组学的三分类模型，精准区分正常对照（NM）、早期及中晚期帕金森病（PD），并通过可解释性分析明确关键脑区与特征的诊断价值。方法 回顾性纳入2022年1月～2024年1月新疆医科大学第二附属医院99例研究对象（正常人群37例，早期PD患者36例，中晚期PD患者26例），均行脑部APT序列扫描。手动勾画尾状核（CN）、壳核（PUT）、苍白球（GP）、红核（RN）、黑质（SN）及伏隔核（NAc）6个脑内核团，提取107个影像组学特征。筛选关键特征，分别采用6种机器学习算法构建诊断模型，以ROC曲线下面积（AUC）、准确率等评估模型性能；结合解释机器学习模型（SHAP），量化特征对不同疾病阶段的贡献强度。结果 三步特征筛选后最终获得15个关键影像组学特征。LR联合模型性能最优，训练集macro-AUC=0.889(95%CI:0.827～0.943)、micro-AUC=0.895(95%CI:0.837～0.946)；测试集macro-AUC=0.859(95%CI:0.707～0.975)、micro-AUC=0.854(95%CI:0.704～0.967)，显著优于其他模型。SHAP分析揭示了关键特征对不同PD阶段的贡献模式，SN和RN的特征是早期判定和正常判定的关键，PUT核的GLCM自相关系数和RN特征是中晚期判定的核心贡献者。结论 基于APT影像组学的LR联合模型可有效实现PD三分类诊断与分期，SN、RN及PUT是PD病理进展的核心影像标志物核团，SHAP分析可清晰解析模型决策机制，为PD精准诊疗提供兼具性能与可解释性的影像学工具。

关键词

帕金森病 / APT成像 / 机器学习 / SHAP可解释性分析 / 诊断分期