《Scientific Reports》：Habitat-based MRI radiomics for enhanced parkinson’s diagnosis
编辑推荐：
【编辑推荐】本研究针对帕金森病(PD)早期诊断难题，创新性地采用栖息地放射组学(habitat-based radiomics)技术分析308例受试者的常规临床MRI数据。通过提取尾状核与壳核的异质性特征，机器学习模型实现超过94%的诊断准确率，显著优于传统放射组学方法，为PD早期干预提供新途径。
在神经退行性疾病的诊疗领域，帕金森病(Parkinson's disease, PD)的早期精准诊断始终是临床面临的重大挑战。随着全球老龄化进程加速，PD患病率持续攀升，但现有诊断方法主要依赖临床症状评估，当患者出现典型运动症状时，黑质多巴胺能神经元丢失往往已超过50%。这种诊断延迟直接导致错失最佳干预窗口，如何突破早期诊断瓶颈成为领域内焦点问题。
近日发表于《Scientific Reports》的研究论文"Habitat-based MRI radiomics for enhanced parkinson’s diagnosis"为这一难题带来突破。研究团队创新性地将起源于肿瘤影像分析的栖息地放射组学(habitat-based radiomics)技术应用于PD诊断，通过深度挖掘常规临床磁共振成像(MRI)中蕴含的生物学信息，成功实现了超过94%的诊断准确率，为PD早期诊断提供了全新解决方案。
本研究采用横断面研究设计，纳入308名参与者（173例PD患者与135名健康对照）的MRI数据。技术路线的核心创新在于将传统放射组学与栖息地成像理念相结合：首先基于T1加权像精确分割基底节区的关键核团——尾状核(caudate nucleus)与壳核(putamen)，随后运用栖息地分割算法将每个核团划分为反映不同组织特性的亚区域（栖息地）。通过提取各栖息区内共计356个放射组学特征（包括一阶统计特征、纹理特征和形态学特征），构建具有生物学意义的特征图谱。
研究人员采用严格的特征筛选流程，先通过方差分析剔除稳定性差的特征，再利用最小绝对收缩和选择算子(LASSO)回归筛选最具判别力的特征子集。最终选用支持向量机(SVM)、随机森林(Random Forest)和XGBoost三种机器学习算法构建分类模型，并采用五折交叉验证评估模型性能。
主要研究结果
- 1.
栖息地特征显著提升诊断效能
与传统全区域放射组学相比，栖息地放射组学在三个机器学习模型中一致展现出更优性能。其中XGBoost模型表现最为突出，准确率达94.8%（敏感度95.4%，特异度94.1%），显著高于传统方法的86.2%（p<0.01）。
- 2.
壳核栖息地贡献关键判别特征
特征重要性分析显示，来自壳核后部栖息区的纹理特征（特别是灰度共生矩阵(GLCM)的对比度和相关性特征）在分类中权重最高，提示该区域组织异质性改变与PD病理进程存在特异性关联。
- 3.
多栖息地协同提供互补信息
虽然壳核特征贡献度最大，但尾状核腹部栖息区的一阶统计特征（如偏度和峰度）同样具有重要判别价值。这表明不同基底节区亚区域可能通过互补机制共同参与PD的病理改变。
- 4.
模型泛化能力验证
在独立测试集上，最优模型保持91.3%的准确率，证实栖息地放射组学特征具有稳定的判别能力，且不受扫描参数轻微变异的影响。
结论与展望
本研究首次证实栖息地放射组学在PD诊断中的巨大潜力。通过捕捉传统MRI难以识别的微观组织异质性，该技术成功实现了PD患者的精准识别，其94%以上的诊断准确率已达到临床实用标准。更重要的是，该方法仅需常规T1加权序列，无需特殊扫描协议，具备良好的临床转化前景。
从机制层面看，栖息地特征可能反映了PD病理过程中铁沉积、神经元丢失和神经胶质增生等微观改变的时空异质性，为理解疾病发生发展提供了新的影像学生物标志物(biomarker)。未来研究可纵向追踪栖息地特征的动态演变规律，探索其在疾病分期和疗效评估中的价值。
值得注意的是，本研究仍存在若干局限性：样本均来自单一中心，需要多中心数据验证；当前分析局限于基底节区，未来可扩展至其他PD相关脑区；缺乏与脑脊液生物标志物等金标准的直接对比。
尽管如此，这项研究无疑为PD的精准医疗开辟了新方向。随着放射组学技术的不断成熟和人工智能算法的持续优化，基于常规MRI的栖息地分析有望成为神经科医生手中的利器，最终使更多PD患者受益于早期诊断和及时干预。
