Mapeo cuantitativo de susceptibilidad y aprendizaje automático multimodal basado en MRS para la clasificación temprana de la enfermedad de Parkinson

La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo y complejo, caracterizado por una alta heterogeneidad y desafíos diagnósticos en sus etapas iniciales. Este estudio tuvo como objetivo desarrollar y validar un modelo de aprendizaje automático multimodal para la detección temprana de la EP mediante la integración de metabolitos neuroquímicos y características radiómicas basadas en QSM de cohortes multicéntricas de EP. Se evaluaron varias arquitecturas de modelos, incluyendo Random Forest, Support Vector Machine, eXtreme Gradient Boosting (XGBoost) y Light Gradient Boosting Machine, para comparar métodos adecuados. El modelo XGBoost demostró un rendimiento predictivo superior, alcanzando valores de AUC de 0.984 y 0.973 en las cohortes de entrenamiento y prueba, respectivamente. El análisis de importancia de características identificó biomarcadores diagnósticos clave mediante SHapley Additive exPlanations (SHAP) y mejoró la interpretabilidad del modelo. Este estudio puede proporcionar nuevas perspectivas sobre los mecanismos neurobiológicos subyacentes a la EP temprana.