可解释的机器学习在认知障碍评估中的应用：临床特征与放射组学白质高信号特征的整合

《Journal of Translational Medicine》：Interpretable machine learning for cognitive impairment assessment: integration of clinical and radiomic white matter hyperintensities features

白质高信号（WMH）与认知功能损害相关，本研究通过整合临床数据与WMH放射组学特征构建TabPFN机器学习模型，采用SAM2UNET分割和LASSO-RFE特征选择，验证模型在认知评估中的AUROC达0.842，具有良好解释性。

　　

摘要

背景

白质高信号（WMH）被认为是与认知障碍相关的重要影像生物标志物。本研究旨在开发一种机器学习模型，该模型结合临床数据和WMH的放射组学特征，以改进认知障碍的评估。

方法

对303名患有WMH的患者进行了回顾性研究。收集了临床数据和磁共振成像扫描结果，并使用蒙特利尔认知评估（MoCA）来评估认知功能。利用SAM2UNET模型在T2流体衰减反转恢复图像上对WMH病变进行分割，然后从分割出的WMH区域中提取放射组学特征。通过LASSO和递归特征消除（RFE）进行特征选择后，开发了六个机器学习模型，并确定了最优模型。应用Shapley加性解释（SHAP）来提高模型的可解释性。使用接收者操作特征曲线下面积（AUROC）、准确率、精确度、召回率和F1分数等指标来评估模型性能。

结果

综合TabPFN模型利用了10个临床特征和5个放射组学特征，取得了出色的整体预测性能。该模型的AUROC为0.842，F1分数为0.737，准确率为0.754，召回率为0.750，精确率为0.724，特异性为0.758。校准和决策曲线分析表明，该模型在评估认知障碍方面具有良好的一致性和临床实用性。

结论

本研究建立了一个可靠且可解释的TabPFN模型，整合了常规的临床和放射学数据，为社区人群中认知障碍的早期检测和个性化管理提供了一个有前景的工具。