《NeuroImage》：Explainable MRI radiomics of the basal ganglia and ventral midbrain distinguishes Parkinson’s disease, SWEDD, and healthy controls
编辑推荐：
本研究针对常规MRI难以精准区分多巴胺能缺失（PD）、无多巴胺能缺失证据（SWEDD）及健康对照（HC）的临床难题，开展了一项基于T1/T2加权影像组学的多分类研究。通过从帕金森病进展标记计划（PPMI）队列的六个基底节区提取1285个特征，并利用嵌套交叉验证与XGBoost模型，研究最终筛选出14个非冗余特征，实现了PD、SWEDD与HC的高效区分（宏AUC达0.85）。其重要意义在于，首次将可解释影像组学特征与已知的脑内铁沉积、轴突变性等微观病理改变关联，为帕金森综合征的低负担、生物学可解释分层诊断提供了新工具。
帕金森病，一种令人闻之色变的神经退行性疾病，其核心病理特征是中脑黑质多巴胺能神经元的进行性丢失。然而，临床上有一类特殊的患者群体，他们表现出典型的帕金森样运动症状，如震颤、动作迟缓，但在金标准检查——多巴胺转运体（DAT）成像上，却找不到多巴胺能系统受损的证据。这类患者被归为“SWEDD”（Scans Without Evidence of Dopaminergic Deficit，无多巴胺能缺失证据的扫描）。他们究竟是帕金森病的早期或特殊亚型，还是完全不同的疾病实体（如特发性震颤、肌张力障碍）？这个问题长期困扰着神经科医生，也给精准诊断和个体化治疗带来了巨大挑战。
常规的磁共振成像（MRI）检查，虽然能排除脑卒中、肿瘤等结构性病变，但对帕金森病早期细微的微观结构改变（如铁异常沉积、轴突变性、胶质增生）却“视而不见”，敏感度有限。这使得区分帕金森病、SWEDD和健康人变得异常困难。近年来，影像组学（Radiomics）作为一种新兴技术，试图从常规医学图像中挖掘出海量的、人眼无法识别的定量特征（如纹理、形状、强度异质性），从而揭示疾病背后隐藏的生物学信息。然而，先前基于MRI影像组学研究帕金森病的工作，大多只进行简单的“是”与“非”（如帕金森病vs.健康对照）的二分类，且模型往往像个“黑箱”，难以解释哪些脑区、哪些图像特征真正驱动了分类决策，其生物学意义模糊不清。
为了破解这些难题，由Jiaxin Liu、Yuan-Zhe Li、Haomin Yang、Chong Duan和Tie-Qiang Li组成的研究团队开展了一项创新性研究。他们巧妙地构建了一个融合多模态常规MRI（T1和T2加权）与可解释机器学习（Explainable Machine Learning）的分析框架。研究的核心目标是：能否利用常规MRI扫描中提取的影像组学特征，不仅高精度地区分帕金森病、SWEDD和健康对照，还能“打开黑箱”，将这些图像特征与已知的帕金森病神经生物学改变（如铁沉积、微结构紊乱）联系起来，从而提供具有生物学意义的诊断洞察？这项研究成果已发表在神经影像学领域的权威期刊《NeuroImage》上。
为了回答上述科学问题，研究人员系统性地运用了多项关键技术。首先，他们从国际知名的帕金森病进展标记计划（PPMI）数据库中获取了226名受试者（82名帕金森病，64名SWEDD，80名健康对照）的基线T1和T2加权MRI数据。接着，利用先进的SLANT（Spatially Localized Atlas Network Tiles）分割方法，精准勾画了六个与帕金森病病理密切相关的皮层下脑区：尾状核、壳核、苍白球、腹侧中脑（包含黑质）、伏隔核和丘脑。随后，通过PyRadiomics软件从这些脑区中提取了总计1284个影像组学特征。为了从海量特征中筛选出最具判别力且非冗余的特征子集，研究采用了严格的三步特征选择策略：先进行单变量过滤（Kruskal-Wallis检验与错误发现率校正），再通过最大相关最小冗余（mRMR）算法降维，最后利用最小绝对收缩和选择算子（LASSO）回归确定最终的特征集。模型构建与评估则在一个严谨的嵌套交叉验证框架内完成：外层采用10折分层交叉验证以确保性能评估的无偏性，内层5折交叉验证则用于同步优化特征选择和分类器（包括XGBoost、LightGBM等）的超参数。最终，为了深入理解模型决策的生物学基础，研究引入了SHapley Additive exPlanations（SHAP）分析，量化每个影像组学特征对模型预测结果的贡献度，从而实现了模型的可解释性。
研究结果
- 1.
特征筛选与模型性能
经过严格的三步特征选择，研究最终从1284个初始特征中保留了14个非冗余的关键特征。这些特征主要来源于腹侧中脑、丘脑、壳核和伏隔核，与帕金森病的病理生理核心区域高度吻合。在测试的五种机器学习分类器中，XGBoost表现最佳，其宏平均曲线下面积（macro-AUC）达到0.85（95%置信区间：0.76-0.91）。具体到每个类别，模型区分帕金森病的效能最高（AUC=0.93），区分SWEDD和健康对照的效能相当（AUC均为0.79）。这表明基于常规MRI的影像组学特征能够有效捕捉到沿“帕金森病-SWEDD-健康对照”这一疾病谱系的连续变化模式。
- 2.
模型可解释性与生物学关联
通过SHAP分析，研究人员成功“解码”了模型的决策逻辑，将影像组学特征与已知的神经生物学改变联系起来。分析发现：
- •
对于帕金森病，最重要的预测特征来自腹侧中脑的纹理异质性（T2加权图像中的GLRLM GrayLevelVariance）和丘脑的对比度（T2加权图像中的NGTDM Strength）。腹侧中脑（尤其是黑质）是帕金森病神经元丢失的核心区域，其纹理异质性的增高可能反映了该区域由于铁异常沉积、神经元退行和胶质增生导致的微观结构紊乱。丘脑特征的贡献则可能与帕金森病相关的运动回路功能障碍有关。
- •
对于SWEDD，最具信息量的特征则集中在伏隔核的纹理特征和壳核的形状特征。这与先前研究提示SWEDD可能涉及多巴胺能系统以外的神经递质（如5-羟色胺）代偿，或与不同的运动控制网络改变相符。
- •
这些发现表明，筛选出的影像组学特征并非随机的数字，而是间接反映了大脑深部核团在细胞和微观结构层面的病理改变。它们的空间分布模式（腹侧中脑、丘脑、基底节）与通过定量磁敏感成像（QSM）和扩散峰度成像（DKI）等先进MRI技术已报道的铁沉积、连接性改变高度一致，从而为影像组学特征提供了坚实的生物学解释基础。
研究结论与意义
本研究成功地构建并验证了一个可解释的、多模态MRI影像组学框架，用于精准区分帕金森病、SWEDD和健康对照。其核心结论与重要意义体现在以下几个方面：
首先，该研究在方法学上实现了重要突破。它首次将可解释人工智能（XAI）工具SHAP深度整合到帕金森病影像组学分析中，成功“打开黑箱”，清晰地揭示了不同脑区特征对于区分各类诊断群体的相对贡献。这种“模型可解释性”的引入，使得影像组学从纯粹的“数据驱动”模式转向了“生物学驱动”的探索，极大地增强了研究结果的临床可信度和科学价值。
其次，研究在临床诊断层面提供了新工具与新视角。通过利用临床常规采集的T1和T2加权MRI（无需额外扫描序列），该框架能够以较高的精度（宏AUC 0.85）对帕金森病、SWEDD和健康人进行三分类鉴别。特别是对于临床诊断模糊的SWEDD群体，模型展示了较好的区分能力，为这一疑难群体的精细化分类和后续管理提供了潜在的影像学生物标志物。这为实现帕金森综合征的“低负担”分层诊断迈出了关键一步。
最后，也是最重要的，该研究在神经生物学层面建立了有意义的连接。它成功地将看似抽象的影像组学纹理特征（如灰度级方差、强度）与帕金森病已知的微观病理生理机制（如铁稳态异常、轴突完整性丧失、胶质反应）联系起来。例如，腹侧中脑的纹理异质性被解释为可能反映该区域斑片状铁沉积和微结构破坏的替代指标。这种建立在现有定量MRI（QSM, DKI）研究证据基础上的解释，使得影像组学特征承载了明确的生物学含义，超越了单纯的图像模式识别。
总而言之，这项研究不仅开发了一个高性能的诊断工具，更重要的是提供了一套“既知其然，亦知其所以然”的分析范式。它证明了常规MRI中蕴含的、人眼难以察觉的异质性信息，能够被转化为反映疾病相关微观结构改变的量化指标。尽管这些影像组学特征是微观结构的间接替代指标，但其空间特征与已知病理的高度一致性，为未来利用更广泛可及的常规MRI数据进行疾病机制探索、患者分层和疗效评估开辟了新的道路。研究人员计划在独立队列中进行外部验证，以进一步确认其普适性，这有望推动该成果向临床应用的转化。
