基于脑干影像组学框架区分进行性核上性麻痹与帕金森病

《Movement Disorders》：A Brainstem Radiomics Framework to Distinguish Progressive Supranuclear Palsy from Parkinson's Disease

　　

背景：临床上区分进行性核上性麻痹（Progressive Supanuclear Palsy, PSP）与帕金森病（Parkinson's Disease, PD）具有挑战性。在神经影像学领域，影像组学（Radiomics）已成为一种很有前景的方法，能够捕捉细微的微结构和纹理图像改变，从而改善鉴别诊断。 目的：评估源自T1加权磁共振成像（MRI）的脑干影像组学特征在区分PSP与PD患者中的诊断价值。 方法：本研究纳入了来自两个独立队列的433名参与者：一个意大利训练队列（84名PSP和177名PD）和一个国际验证队列（68名PSP和104名PD）。研究人员利用基于深度学习的自动化AssemblyNet流程生成的脑干分割结果，通过PyRadiomics提取了一阶、形状和纹理描述符等影像组学特征。采用嵌套交叉验证训练分类模型（决策树、支持向量机、随机森林和XGBoost），并在独立队列上进行测试。利用SHapley Additive exPlanations（SHAP）检验了模型的可解释性。 结果：基于影像组学的模型在区分PSP与PD方面表现出高且一致的性能，优于脑干体积。在验证队列中，随机森林（Random Forest）和XGBoost取得了最佳性能（曲线下面积[AUC]分别为0.93和0.94）。基于纹理和强度的影像组学特征成为信息量最大的预测因子，而形状描述符在PSP与PD的鉴别中显示出较低的相关性。 结论：从常规T1加权MRI中提取的脑干影像组学在区分PSP与PD患者方面表现出优异的分类性能，并在独立数据集中表现出稳健的泛化能力。基于纹理的特征捕捉了自动体积测量未能反映的微结构紊乱，强调了影像组学在非典型帕金森综合征鉴别诊断中的附加价值，以及其融入未来多模态生物标志物框架的潜力。? 2026 The Author(s). 《Movement Disorders》由Wiley Periodicals LLC代表国际帕金森病和运动障碍协会出版。

该论文题为《基于脑干影像组学框架区分进行性核上性麻痹与帕金森病》，发表于《Movement Disorders》。研究人员针对PSP与PD临床表现重叠导致早期诊断困难这一临床痛点，开发了一套基于常规T1加权MRI的自动化影像组学框架。研究通过纳入意大利训练队列及国际验证队列共433名受试者，利用深度学习分割工具AssemblyNet与FreeSurfer提取脑干区域的一阶、形状及纹理特征，并比较了决策树、支持向量机、随机森林及XGBoost四种算法的分类效能。结果显示，基于纹理特征的影像组学模型表现最优，其AUC高达0.94，显著优于传统体积测量指标，且具有良好的跨中心泛化能力。该研究证实了脑干影像组学作为一种非侵入性生物标志物在区分这两种神经退行性疾病中的巨大潜力，为临床辅助诊断提供了新的客观工具。

在关键技术方法方面，研究人员采用了多中心回顾性队列研究设计，数据来源于意大利Catanzaro大学（训练队列）以及PPMI和4RTNI数据库（验证队列）。图像处理阶段，使用AssemblyNet和FreeSurfer两种自动化流程进行脑干分割，并利用PyRadiomics库提取符合IBSI标准的107个影像组学特征。在模型构建环节，实施了方差阈值过滤与Pearson相关性分析两步特征选择，随后应用包含决策树、SVM、随机森林和XGBoost在内的多种监督学习算法，并通过嵌套交叉验证及SHAP分析评估模型性能与可解释性。

研究结果部分详细展示了数据分析的结论。在“患者与方法”中，研究人员明确了纳入标准为符合MDS诊断标准的PSP-RS和PD患者，确保了入组对象的临床同质性。在“图像预处理与特征提取”环节，研究证实AssemblyNet与FreeSurfer均能稳定生成高质量的脑干掩膜，为后续特征提取奠定了基础。在“脑干体积分类性能”分析中，单纯依赖体积的模型仅获得0.88-0.89的AUC，表明单一形态学指标存在局限性。而在“基于影像组学的机器学习分类性能”中，经过特征筛选后的模型表现卓越，特别是随机森林和XGBoost在验证集上达到了0.93-0.94的AUC，证明了纹理特征在捕捉微观结构差异上的优势。

“结果”部分的临床数据显示，两组队列在人口统计学和临床量表评分上具有可比性，PSP患者较PD患者表现出更高的运动障碍严重程度。在“分类性能”对比中，影像组学模型不仅在准确率上超越体积测量，其校准曲线和Hosmer-Lemeshow检验也证实了预测概率的可靠性。通过“探索不同影像组学的贡献”研究发现，GLSZM、GLRLM及GLDM等纹理特征和强度特征（如一阶90th百分位数）是模型判定的主要依据，且与脑干体积相关性较弱，说明其提供了独立于体积之外的生物学信息。

讨论部分深入阐释了研究成果的学术价值。研究人员指出，这是首个专门针对脑干区域、旨在区分PSP与PD的影像组学研究，填补了该领域缺乏外部验证的空白。研究表明，即便使用临床常规的T1加权序列，影像组学也能揭示肉眼无法识别的微结构紊乱，其核心价值在于捕捉了病理性的信号异质性。尽管研究存在缺乏病理确诊、仅涵盖PSP-Richardson综合征亚型等局限，但其双分割管道验证及反转队列分析有力证明了该框架对扫描参数差异的鲁棒性。最终结论强调，该技术有望成为支持非典型帕金森综合征早期精准分型的有力工具，并为未来疾病修饰疗法的临床试验筛选提供客观的影像学终点指标。