
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用联合成像技术和临床生物标志物对帕金森病快速进展进行机器学习预测
《Journal of Computer Assisted Tomography》:Machine Learning Prediction of Rapid Parkinson Disease Progression Using Combined Imaging and Clinical Biomarkers
【字体: 大 中 小 】 时间:2025年12月27日 来源:Journal of Computer Assisted Tomography 1.3
编辑推荐:
本研究利用机器学习模型整合临床和SPECT影像生物标志物,预测帕金森病快速进展。支持向量机(SVM)模型以0.86的ROC AUC表现最佳,使用6个高排名MRMR特征;决策树(DT)模型仅用2个临床可用特征(UPDRS总分和最低putamen SBR)也达到0.81的AUC。结果证实机器学习可有效提升疾病进展预测精度,为个性化治疗和临床试验优化提供新工具。
帕金森病(PD)是一种进行性神经退行性疾病,其病情进展速度差异很大。准确预测疾病的快速进展对于患者管理和临床试验设计至关重要。本研究评估了使用机器学习(ML)模型,结合临床和影像生物标志物来预测帕金森病的快速进展。
本研究对来自帕金森病进展标志物计划(PPMI)的683名患者进行了回顾性分析。采用混合效应模型来分析纵向数据,将帕金森病的快速进展(RPPD)定义为运动障碍协会统一帕金森病评分量表(MDS-UPDRS)总分或I-123碘氟烷单光子发射断层扫描(SPECT)中最低的壳核特异性结合比(SBR)的变化率超过队列平均水平。最小冗余最大相关性(MRMR)算法从总共123个特征中识别出最具预测性的特征。支持向量机(SVM)和决策树(DT)模型通过5折交叉验证和接收者操作特征曲线下面积(ROC AUC)分析进行了训练和评估。
共有193名患者(135名男性和68名女性)参与了研究。最具预测性的特征是最低的壳核SBR(MRMR评分=0.44,P<0.001)。SVM模型使用排名前6的MRMR特征时,ROC AUC为0.86(95%置信区间:0.78-0.91);而DT模型仅使用2个临床可用特征(UPDRS总分和最低壳核SBR)时,ROC AUC为0.81(95%置信区间:0.73-0.86)。
机器学习模型,尤其是SVM,在利用多模态临床和影像生物标志物识别帕金森病的快速进展方面表现出强大的预测能力。将SPECT影像与临床评估相结合,有助于更准确地描述疾病进展轨迹,从而可能支持个性化治疗策略并优化临床试验设计。未来的研究应纳入更多生物标志物并延长随访时间,以提高模型的泛化能力。