STEP-PD：基于多模态临床评估的帕金森病严重程度分级
机器学习
2026-04-21 v1 人工智能
摘要
帕金森病 (PD) 是一种随时间演进症状负荷和功能障碍的进行性疾病，使其严重程度分层对于临床监测和治疗规划至关重要。然而，许多计算研究侧重于二分类 PD 检测，未充分利用反复随访的临床评估进行分层预测。本研究提出 STEP-PD，一种面向严重程度的机器学习框架，用于使用临床可解释边界对 PD 严重程度进行分类。它利用帕金森病进展标记计划 (PPMI) 中的所有可用访面数据，整合常规收集的主观问卷和客观临床医生评估措施。将疾病严重程度定义为霍恩-亚哈尔分级，并分为三个临床意义明确的类别：健康、轻度帕金森病 (阶段 1-2) 和中重度帕金森病 (阶段 3-5)。评估了三个二分分类问题和一个三分类严重程度任务，使用分层交叉验证进行不平衡训练。为增强可解释性，采用 SHAP 提供全局解释和局部患者层面的瀑布图解释。在所有任务中，XGBoost 实现了最强且最稳定的性能，分别达到 95.48% (健康 vs. 轻度)、99.44% (健康 vs. 中重度)、96.78% (轻度 vs. 中重度) 的准确率，以及 94.14% 的准确率和 0.8775 的宏平均 F1 分数用于三分类严重程度分类。解释性结果突出了从早期运动特征向与病程相关的躯干和平衡损害的转变。这些发现表明，多模态临床评估可支持准确且可解释的访面级别帕金森病严重程度分层。
引用
@article{arxiv.2604.17611,
title = {STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments},
author = {Md Mezbahul Islam and John Michael Templeton and Christian Poellabauer and Ananda Mohan Mondal},
journal= {arXiv preprint arXiv:2604.17611},
year = {2026}
}
备注
10 pages, 6 figures, 4 tables, accepted at IEEE International Conference on Healthcare Informatics (ICHI 2026)