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

Resumo Técnico: Aprendizado de Máquina Interpretável Prediz a Gravidade da Doença de Parkinson Usando RM de QSM com Correção de Movimento e Características de fMRI Multiband Multi-Echo

Definição do Problema
A avaliação clínica atual da gravidade motora da doença de Parkinson (DP) baseia-se na escala MDS-UPDRS Parte III, avaliada pelo clínico, que captura sintomas observáveis, mas oferece insights limitados sobre a variação neurobiológica subjacente. Embora a RM estrutural e funcional possa complementar os exames clínicos, estudos anteriores não avaliaram sistematicamente o valor combinado do Mapeamento de Suscetibilidade Quantitativa (QSM) — um marcador estrutural sensível ao depósito de ferro — e das características de Homogeneidade Regional (ReHo) derivadas de fMRI em estado de repouso multiband multi-echo para prever a gravidade motora atual. Além disso, a literatura existente frequentemente foca nos escores totais da UPDRS, progressão da doença ou status diagnóstico, em vez da predição específica dos escores atuais de exame motor avaliados pelo clínico usando biomarcadores estruturais e funcionais complementares.

Metodologia
O estudo utilizou uma coorte de 28 participantes (24 pacientes com DP no estado medicado "ON" e 4 controles saudáveis) imagens realizados no UT Southwestern Medical Center. O pipeline de análise envolveu:

1. Extração de Características:

   • QSM: A susceptibilidade magnética média foi extraída de 206 regiões bilaterais definidas por atlas.
   • fMRI: Valores de Homogeneidade Regional (ReHo), que quantificam a sincronização do sinal BOLD local, foram extraídos de 135 regiões utilizando o atlas Schaefer 2018.
   • Clínico: Seis variáveis foram codificadas, incluindo sexo, lateralidade, idade, Dose Diária Equivalente de Levodopa (LEDD), tempo desde a última dose e diagnóstico.

2. Design Experimental:

   • Foram conduzidos treze experimentos distintos de conjuntos de características, comparando apenas imagem, apenas clínico, imagem mais clínico, completo (todas as características), reduzido (características selecionadas biologicamente de regiões do circuito motor) e entradas multimodais.
   • Conjuntos Reduzidos: Incluíram 89 características de QSM e 47 de fMRI selecionadas com base em evidências da literatura de envolvimento do circuito motor.

3. Pipeline de Aprendizado de Máquina:

   • Quatro modelos interpretáveis foram avaliados: Regressão de Vetores de Suporte (SVR), Elastic Net, Random Forest e XGBoost.
   • Validação: Foi utilizado um método de validação cruzada estratificada aninhada (5 dobras externas para avaliação de hold-out, 4 dobras internas para otimização de hiperparâmetros) para evitar o overfitting neste cenário de amostra pequena e alta dimensionalidade.
   • Métricas de Avaliação: O desempenho foi avaliado via $R^2$ agrupado de hold-out, RMSE, MAE, correlação de Pearson e uma métrica clinicamente interpretável: a proporção de participantes previstos dentro de ±5 pontos do escore observado da MDS-UPDRS Parte III (a Diferença Clinicamente Importante).
   • Teste de Significância: Um teste de permutação de pipeline completo (200 permutações) foi realizado para garantir que o desempenho excedesse os níveis de chance.
   • Interpretabilidade: A análise SHAP (SHapley Additive exPlanations) foi aplicada para identificar as características mais influentes que direcionam as predições.

Resultos Principais

• Sinal Preditivo: As características derivadas de imagem carregaram um sinal preditivo significativo. Os modelos de apenas imagem (tanto reduzidos quanto completos) superaram o modelo apenas clínico ($R^2 = 0,023$), indicando que as predições não foram impulsionadas apenas por variáveis clínicas.
• Ajuste Global vs. Proximidade Clínica:
  • Ajuste Global: O ajuste global mais forte ($R^2 = 0,454$) foi alcançado pelo modelo multimodal completo combinando 135 características de fMRI, 206 características de QSM e variáveis clínicas (Exp 6).
  • Proximidade Clínica: As predições clinicamente mais precisas foram alcançadas por um modelo reduzido combinando 89 características de QSM e variáveis clínicas (Exp 7). Este modelo alcançou a maior proporção de predições dentro de ±5 pontos (75,0%) e o menor MAE (3,997) entre os principais desempenhos, apesar de um $R^2$ (0,374) inferior ao do modelo multimodal completo.
• Comparação de Modalidades: QSM e fMRI forneceram informações não redundantes. Enquanto o QSM completo mostrou um ajuste global mais forte que o fMRI completo, o QSM reduzido combinado com variáveis clínicas rendeu uma proximidade clínica superior em comparação ao fMRI reduzido.
• Redução de Características: A redução de características biologicamente informada melhorou o desempenho em modelos de modalidade única (por exemplo, reduzir o fMRI de 135 para 47 regiões aumentou o $R^2$ de 0,138 para 0,294). No entanto, para modelos multimodais, o conjunto completo de características frequentemente manteve um desempenho global mais forte.
• Desempenho do Modelo: Neste cenário de amostra pequena, os modelos SVR baseados em margem e Elastic Net linear regularizado performaram de forma mais consistente do que os métodos baseados em árvores (Random Forest e XGBoost).
• Plausibilidade Biológica: A análise SHAP destacou os principais preditores em regiões biologicamente plausíveis, incluindo o cerebelo, tálamo, estriado, ínsula e córtex motor. Variáveis clínicas como LEDD e tempo desde a dose foram influentes, mas não dominaram os rankings de características.

Significância e Alegações
Os autores afirmam que este estudo demonstra que a imagem estrutural (QSM) e a funcional (ReHo de fMRI multiband multi-echo) capturam dimensões distintas e interpretáveis da gravidade motora da DP. Os achados sugerem que:

1. Não-Redundância: A imagem estrutural e funcional fornece informações preditivas complementares e não redundantes, em vez de uma modalidade ser universalmente superior.
2. Otimização Dependente do Objetivo: Não existe um único "melhor" biomarcador; o conjunto de características ideal depende do objetivo da predição. A integração multimodal completa produz o melhor ajuste global ($R^2$), enquanto o QSM selecionado mais variáveis clínicas produz as predições individuais clinicamente mais próximas.
3. Interpretabilidade: O uso de aprendizado de máquina interpretável permite a identificação de regiões cerebrais neurobiologicamente plausíveis associadas ao comprometimento motor, indo além de predições de "caixa preta".
4. Contexto Clínico: Variáveis clínicas adicionam valor contextual, particularmente quando combinadas com conjuntos de características de imagem reduzidos e biologicamente informados, mas são insuficientes por si só para uma predição precisa da gravidade.

O artigo conclui que o QSM e o ReHo derivado de fMRI multiband multi-echo são biomarcadores viáveis e não redundantes para estimar a gravidade motora atual da DP, apoiando um framework onde características estruturais e funcionais são usadas tanto para prever a gravidade quanto para identificar regiões cerebrais interpretáveis associadas às diferenças individuais no comprometimento motor. Os autores mantêm a modéstia quanto à generalização devido ao pequeno tamanho da amostra e pedem validação futura em coortes maiores e multicêntricas.