Interpretable machine learning predicts Parkinson's disease severity using motion-corrected QSM MRI and multiband multiecho fMRI features

Sintesi Tecnica: L'apprendimento automatico interpretabile predice la gravità della malattia di Parkinson utilizzando caratteristiche di RM QSM corretta dal movimento e fMRI multiband multi-echo

Problema
La valutazione clinica attuale della gravità motoria nella malattia di Parkinson (PD) si basa sulla scala MDS-UPDRS Parte III valutata dal clinico, che cattura i sintomi osservabili ma offre una visione limitata della sottostante variazione neurobiologica. Sebbene la risonanza magnetica (RM) strutturale e funzionale possa integrare gli esami clinici, studi precedenti non hanno valutato sistematicamente il valore combinato della mappatura della suscettibilità quantitativa (QSM) — un marcatore strutturale sensibile alla deposizione di ferro — e delle caratteristiche di omogeneità regionale (ReHo) derivate da fMRI in stato di riposo multiband multi-echo per predire la gravità motoria attuale. Inoltre, la letteratura esistente si concentra spesso sui punteggi totali UPDRS, sulla progressione della malattia o sullo stato diagnostico, piuttosto che sulla specifica predizione dei punteggi attuali dell'esame motorio valutato dal clinico utilizzando biomarcatori strutturali e funzionali complementari.

Metodologia
Lo studio ha utilizzato una coorte di 28 partecipanti (24 pazienti PD nello stato di assunzione di farmaci "ON" e 4 controlli sani) sottoposti a imaging presso l'UT Southwestern Medical Center. La pipeline di analisi ha previsto:

1. Estrazione delle caratteristiche:

   • QSM: La suscettibilità magnetica media è stata estratta da 206 regioni bilaterali definite da atlante.
   • fMRI: I valori di Omogeneità Regionale (ReHo), che quantificano la sincronizzazione del segnale BOLD locale, sono stati estratti da 135 regioni utilizzando l'atlante Schaefer 2018.
   • Cliniche: Sono state codificate sei variabili, tra cui sesso, lateralità, età, dose giornaliera equivalente di Levodopa (LEDD), tempo dall'ultima dose e diagnosi.

2. Disegno Sperimentale:

   • Sono stati condotti tredici distinti esperimenti di set di caratteristiche, confrontando modelli basati solo su imaging, solo su dati clinici, imaging più clinica, completi (tutte le caratteristiche), ridotti (caratteristiche selezionate biologicamente da regioni del circuito motorio) e input multimodali.
   • Set Ridotti: Includevano 89 caratteristiche QSM e 47 caratteristiche fMRI selezionate sulla base di evidenze in letteratura riguardanti l'impegno del circuito motorio.

3. Pipeline di Machine Learning:

   • Sono stati valutati quattro modelli interpretabili: Support Vector Regression (SVR), Elastic Net, Random Forest e XGBoost.
   • Validazione: È stato utilizzato un approccio di cross-validazione stratificata nidificata (5 fold esterni per la valutazione su campioni tenuti fuori, 4 fold interni per l'ottimizzazione degli iperparametri) per prevenire l'overfitting in questo contesto di piccolo campione e alta dimensionalità.
   • Metriche di Valutazione: Le prestazioni sono state valutate tramite $R^2$ aggregato sui campioni tenuti fuori, RMSE, MAE, correlazione di Pearson e una metrica clinicamente interpretabile: la proporzione di partecipanti predetti entro ±5 punti rispetto al punteggio osservato della MDS-UPDRS Parte III (la Differenza Clinicamente Importante).
   • Test di Significatività: È stato eseguito un test di permutazione della pipeline completa (200 permutazioni) per garantire che le prestazioni superassero i livelli del caso.
   • Interpretabilità: È stata applicata l'analisi SHAP (SHapley Additive exPlanations) per identificare le caratteristiche più influenti che guidano le predizioni.

Risultati Chiave

• Segnale Predittivo: Le caratteristiche derivate dall'imaging hanno trasportato un segnale predittivo significativo. I modelli basati solo sull'imaging (sia ridotti che completi) hanno superato il modello basato solo sui dati clinici ($R^2 = 0,023$), indicando che le predizioni non erano guidate esclusivamente dalle variabili cliniche.
• Fit Globale vs. Vicinanza Clinica:
  • Fit Globale: Il fit globale più forte ($R^2 = 0,454$) è stato ottenuto dal modello multimodale completo che combina 135 caratteristiche fMRI, 206 caratteristiche QSM e variabili cliniche (Esperimento 6).
  • Vicinanza Clinica: Le predizioni clinicamente più accurate sono state ottenute da un modello ridotto che combina 89 caratteristiche QSM e variabili cliniche (Esperimento 7). Questo modello ha ottenuto la più alta proporzione di predizioni entro ±5 punti (75,0%) e il MAE più basso (3,997) tra i top performer, nonostante un $R^2$ inferiore (0,374) rispetto al modello multimodale completo.
• Confronto tra Modalità: QSM e fMRI hanno fornito informazioni non ridondanti. Mentre la QSM completa ha mostrato un fit globale più forte rispetto alla fMRI completa, la QSM ridotta combinata con le variabili cliniche ha prodotto una vicinanza clinica superiore rispetto alla fMRI ridotta.
• Riduzione delle Caratteristiche: La riduzione delle caratteristiche basata sulla biologia ha migliorato le prestazioni nei modelli a singola modalità (ad esempio, ridurre la fMRI da 135 a 47 regioni ha aumentato l'$R^2$ da 0,138 a 0,294). Tuttavia, per i modelli multimodali, il set di caratteristiche completo ha spesso mantenuto una maggiore performance globale.
• Modello di Prestazione: In questo contesto di piccolo campione, i modelli SVR basati sul margine e i modelli lineari regolarizzati Elastic Net hanno performato in modo più coerente rispetto ai metodi basati su alberi (Random Forest e XGBoost).
• Plausibilità Biologica: L'analisi SHAP ha evidenziato i principali predittori in regioni biologicamente plausibili, tra cui il cervelletto, il talamo, lo striato, l'insula e la corteccia motoria. Variabili cliniche come LEDD e tempo dalla dose sono state influenti, ma non hanno dominato le classifiche delle caratteristiche.

Significatività e Rivendicazioni
Gli autori affermano che questo studio dimostra che l'imaging derivato da QSM (strutturale) e fMRI multiband multi-echo Reho (funzionale) cattura dimensioni distinte e interpretabili della gravità motoria della PD. I risultati suggeriscono che:

1. Non-Ridondanza: L'imaging strutturale e funzionale fornisce informazioni predittive complementari e non ridondanti, piuttosto che una modalità sia universalmente superiore.
2. Ottimizzazione Dipendente dall'Obiettivo: Non esiste un singolo "miglior" biomarcatore; il set di caratteristiche ottimale dipende dall'obiettivo della predizione. L'integrazione multimodale completa produce il miglior fit globale ($R^2$), mentre la selezione di QSM più variabili cliniche produce le predizioni individuali clinicamente più vicine.
3. Interpretabilità: L'uso di machine learning interpretabile permette l'identificazione di regioni cerebrali biologicamente plausibili associate all'insufficienza motoria, andando oltre le predizioni "black box".
4. Contesto Clinico: Le variabili cliniche aggiungono valore contestuale, in particolare quando combinate con set di caratteristiche di imaging ridotti e biologicamente informati, ma sono insufficienti da sole per una precisa predizione della gravità.

L'articolo conclude che la QSM e la ReHo derivata da fMRI multiband multi-echo sono biomarcatori validi e non ridondanti per stimare l'attuale gravità motoria della PD, supportando un framework in cui le caratteristiche strutturali e funzionali sono utilizzate sia per predire la gravità che per identificare regioni cerebrali interpretabili associate alle differenze individuali nell'insufficienza motoria. Gli autori mantengono la modestia riguardo alla generalizzabilità a causa della piccola dimensione del campione e richiedono una futura validazione in coorti più ampie e multisito.