帕金森病（PD）是一种复杂的、进行性的神经退行性疾病，其早期阶段具有高度异质性和诊断挑战。本研究旨在通过整合多中心PD队列的神经化学代谢物和基于QSM的放射组学特征，开发并验证一个用于早期PD检测的多模态机器学习模型。评估了多个模型架构，包括随机森林、支持向量机、极端梯度提升（XGBoost）和轻量级梯度提升机器，以比较适当的方法。XGBoost模型展示了优越的预测性能，在训练和测试队列中分别达到了0.984和0.973的AUC值。特征重要性分析使用SHapley加法解释（SHAP）识别了关键诊断生物标志物，并增强了模型的可解释性。本研究能为揭示早期PD的神经生物学机制提供新的见解。
Tian等人（周）研究了这个问题。