Интерпретируемая модель машинного обучения может предсказывать тяжесть моторных симптомов болезни Паркинсона только по данным визуализации мозга, согласно новому исследованию, опубликованному на arXiv.
Исследование
Aixa X. Andrade из неуказанного учреждения (в статье перечислены аффилиации под arXiv:2607.02553) проанализировала данные 28 участников, включая 24 человека с болезнью Паркинсона и 4 контрольных. Целью было предсказать тяжесть моторики, измеряемую по шкале MDS-UPDRS Part III, стандартной клинической рейтинговой шкале.
Исследователи извлекли два типа признаков визуализации: количественное картирование восприимчивости (QSM), которое измеряет содержание железа и миелина в ткани мозга, и региональную гомогенность (ReHo), полученную из фМРТ в состоянии покоя, которая отражает, насколько синхронизирована активность в локальных областях мозга. Они протестировали 13 различных комбинаций признаков визуализации, клинических и мультимодальных признаков с использованием четырех моделей машинного обучения: регрессии опорных векторов, Elastic Net, случайного леса и XGBoost, все обученные с вложенной перекрестной проверкой для избежания переобучения.
Модели только на основе визуализации несли значимый предсказательный сигнал, в то время как модели только на клинических данных работали слабо. Наилучшее глобальное соответствие дало сочетание полной фМРТ, полной QSM и клинических переменных, объясняя 45,4% дисперсии тяжести моторики. Наилучшие клинически близкие прогнозы дали выбранные QSM плюс клинические переменные, которые предсказали 75,0% участников в пределах плюс-минус 5 баллов MDS-UPDRS Part III и имели наименьшую среднюю абсолютную ошибку среди лучших моделей. Анализ SHAP выделил мозжечковые, таламические, стриарные, инсулярные и моторные кортикальные признаки как наиболее важные.
Почему это важно
Болезнь Паркинсона влияет на движение, но тяжесть симптомов обычно оценивается через клиническое наблюдение, которое может пропустить тонкие изменения в мозге. Это исследование показывает, что структурная (QSM) и функциональная (ReHo) визуализация вносят разный вклад в зависимости от цели прогнозирования. Для тех, кто интересуется своим собственным познанием, это подтверждает, что здоровье мозга многомерно: содержание железа, нейронная синхронизация и клиническая картина — каждый рассказывает свою часть истории. Тот факт, что модели только на визуализации превзошли модели только на клинических данных, позволяет предположить, что объективные маркеры мозга однажды помогут отслеживать прогрессирование заболевания или ответ на лечение точнее, чем одни лишь контрольные списки симптомов.
Что вы можете сделать
- Оставайтесь физически активными: упражнения — одно из немногих вмешательств с доказательствами поддержки моторной и когнитивной функции при Паркинсоне.
- Бросайте вызов своему мозгу новыми задачами обучения, что может помочь поддерживать нейронную синхронизацию.
- Если вы заметили изменения в движении, координации или равновесии, обратитесь к неврологу на раннем этапе.
- Рассмотрите участие в исследованиях, которые используют визуализацию для изучения здоровья мозга.
Источник: arXiv q-bio.NC
Любопытно о своем собственном мозге? Пройдите наш бесплатный адаптивный тест IQ или попробуйте 306 уровней тренировки мозга.