7 Tesla 定量 MRI 与机器学习在帕金森病探索性运动亚型分层与诊断中的应用
图像与视频处理
2026-05-26 v1 定量方法
摘要
帕金森病（PD）是一种高度异质的疾病，运动症状表现各异。能够支持亚型分层的成像生物标志物也有助于深化对疾病的生物学理解与研究设计，并实现个体化治疗策略。本研究评估了基于深度学习的自动脑部分割技术，结合7特斯拉 MRI 的定量图谱，是否能够揭示健康对照组（HC）、站立不稳与行走困难型（PIGD）和震颤优势型（TD）之间存在差异，并进而用于客观的帕金森病分层。机器学习分类器的性能可能通过特征选择得到改善。本研究纳入 21 名健康对照和 24 名帕金森病患者（PwP）。U-Net 的训练通过 DSC 进行评估。定义了三个分类任务的两种分类方法：（1）HC 对 PwP；（2）PIGD 对 TD；（3）多类分类，HC 对 PIGD 对 TD。采用 5 折交叉验证。方法 A 使用所有提取的特征。方法 B 寻找分类任务的最优特征子集。U-Net 在训练期间所有 ROI 上获得平均 DSC 为 0.86。方法 A：任务 1 最佳准确率为 0.69，最佳 AUC 为 0.73。任务 2准确率为 0.69，AUC 为 0.90。任务 3准确率为 0.62，AUC 为 0.66。方法 B：任务 1 的准确率为 0.82，AUC 为 0.93。任务 2的准确率为 1.00，AUC 为 1.00。任务 3的准确率为 0.73，AUC 为 0.91。基于深度学习的分割结合定量 MRI 特征选择相对于使用所有特征的分类效果得到改善，支持可解释、低维成像签名在帕金森病诊断支持与表型分层方面的潜力。需要更大规模的多中心研究来评估其可推广性和稳定性。
引用
@article{arxiv.2605.24179,
title = {7 Tesla Quantitative MRI and Machine Learning for Exploratory Motor Subtype Stratification and Diagnosis in Parkinson's Disease},
author = {Anne Louise Kristoffersen and Runa Geirmundsdatter Unsgård and Marc-Antoine Fortin and Ingrid Gylterud Kvålsgard and Kjersti Eline Stige and Thanh Pierre Doan and Erik Magnus Berntsen and Charalampos Tzoulis and Pål Erik Goa},
journal= {arXiv preprint arXiv:2605.24179},
year = {2026}
}