パーキンソン病の運動症状評価を改善するため、研究者たちは解釈可能な機械学習を用いた新しいアプローチを開発しました。このアプローチは、定量的易感性マッピング（QSM）と、マルチバンドマルチエコー安静時機能的MRI（fMRI）から得られた局所ホモジェネイティ（ReHo）特徴を組み合わせて、パーキンソン病の運動症状の現在の重症度を予測するというものです。 研究には、パーキンソン病患者24名と健常対照群4名の計28名が参加しました。研究チームは13の異なる特徴セット実験を実施し、画像のみ、臨床情報のみ、画像と臨床情報の組み合わせ、完全データセット、縮約データセットなど、複数の入力パターンを評価しました。サポートベクター回帰、エラスティックネット、ランダムフォレスト、XGBoostの4つの機械学習モデルを使用し、ネストされたクロスバリデーションで訓練されました。 結果として、画像データのみを使用したモデルであっても意味のある予測信号を保有していたのに対し、臨床情報のみのモデルの性能は低かったです。完全なfMRI、完全なQSM、および臨床変数を組み合わせたモデルが最も強力な全体的適合を提供し、運動症状重症度の分散の45.4パーセントを説明しました。特に注目すべき結果として、選定されたQSMと臨床変数の組み合わせモデルは最も臨床的に正確な予測を実現し、75.0パーセントの参加者が±5 MDS-UPDRS Part III ポイント以内で予測されました。 SHAP分析により、小脳、視床、線条体、島皮質、運動皮質の特徴が重要な予測因子として特定されました。この研究は、構造的および機能的脳画像が、パーキンソン病の運動症状重症度に対して異なる臨床的有用性を持つことを示唆しており、神経画像生物標的マーカーの開発における重要な知見を提供しています。