科研之友
微信
新浪微博
Facebook
分享链接
摘要
背景帕金森病（PD）的诊断主要以临床症状为主，缺乏正确诊断的客观方法。目前已有关于视网膜结构改变作为PD早期诊断的生物标志物的研究，但基于视网膜结构改变的机器学习对预测早期PD的研究尚少。目的基于视网膜结构改变的特征构建机器学习模型，探索其在早期PD诊断中的价值，及探讨不同机器学习算法对PD早期诊断的准确性。方法 收集2021年10月—2022年9月在河南省人民医院神经内科门诊就诊和住院治疗的年龄40～70岁的PD患者49例（PD组），并收集来医院体检的年龄及性别相匹配的健康人39例（健康对照组）。所有研究对象行扫源光学相干层析成像（SS-OCT）和扫源光学相干层析血管成像（SS-OCTA）检查，并定量分析黄斑区视网膜的厚度和血管密度。将88例受试者按7:3的比例随机分为62例训练集和26例验证集，选择PD组与健康对照组差异有意义的变量作为纳入机器学习模型的特征变量，并在训练集中分别构建Logistic回归（LR）、K-近邻算法（KNN）、决策树（DT）、随机森林（RF）和极端梯度提升（XGboost）模型。采用受试者工作特征（ROC）曲线下面积（AUC）、准确性、灵敏度和特异度评价基于视网膜改变的机器学习模型对早期PD的预测价值。结果 与健康对照组相比，PD组患者浅层毛细血管的A6-A9密度减少，视网膜层的A2-A9厚度、节细胞复合体层的A9厚度、神经纤维层的A7厚度、视网膜外层A2和A4-A9厚度变薄（P<0.05）。视网膜层上方内圈厚度（OR=0.781,95%CI=0.659～0.926）、视网膜层颞侧内圈厚度（OR=1.190,95%CI=1.019～1.390）、视网膜外层上方内圈厚度（OR=0.748,95%CI=0.603～0.929）、视网膜外层上方外圈厚度（OR=2.264,95%CI=1.469～3.490）、视网膜下方外圈厚度（OR=0.723,95%CI=0.576～0.906）以及神经纤维层颞侧外圈厚度变薄（OR=0.592,95%CI=0.454～0.773）及浅层毛细血管网颞侧外圈密度减少（OR=1.966,95%CI=1.399～2.765）为早期PD发生的独立危险因素（P<0.05）。将上述变量纳入并构建机器学习模型，结果显示，构建的5个模型中，LR模型整体性能最高，其AUC为0.841，而决策树模型的准确性最高，其准确度为0.846。结论 基于视网膜特征的机器学习模型可准确的预测早期PD，其中，决策树模型对早期PD诊断具有较高的准确性。
